Lernen aus komplementären Labels

Das Sammeln von beschrifteten Daten ist kostspielig und stellt daher einen kritischen Engpass bei Klassifikationsaufgaben in der realen Welt dar. Um dieses Problem zu mildern, schlagen wir ein neuartiges Setting vor, nämlich das Lernen aus komplementären Labels für die Mehrklassenklassifikation. Ein komplementäres Label gibt eine Klasse an, zu der ein Muster nicht gehört. Das Sammeln komplementärer Labels wäre weniger mühsam als das Sammeln gewöhnlicher Labels, da die Benutzer nicht sorgfältig die richtige Klasse aus einer langen Liste von Kandidatenklassen auswählen müssen. Komplementäre Labels sind jedoch weniger informativ als gewöhnliche Labels, und daher ist ein geeigneter Ansatz erforderlich, um besser von ihnen zu lernen. In diesem Paper zeigen wir, dass ein unverzerrter Schätzer für das Klassifikationsrisiko nur aus komplementär beschrifteten Daten gewonnen werden kann, wenn eine Verlustfunktion eine bestimmte symmetrische Bedingung erfüllt. Wir leiten Schätzfehlergrenzen für die vorgeschlagene Methode ab und beweisen, dass die optimale parametrische Konvergenzrate erreicht wird. Darüber hinaus zeigen wir, dass das Lernen aus komplementären Labels leicht mit dem Lernen aus gewöhnlichen Labels (d.h. gewöhnliches überwacht Lernen) kombiniert werden kann, was eine hochgradig praktische Umsetzung der vorgeschlagenen Methode bietet. Schließlich demonstrieren wir experimentell den Nutzen der vorgeschlagenen Methoden.