複数補完ラベル学習（MCLL）は、複数の補完的ラベル（MCL）を持つインスタンスから分類器を学習する機械学習タスクです。MCLはインスタンスの誤ったラベルを示すラベルです。曖昧な教師情報を用いた従来の学習手法は、MCLが全ラベルのごく一部であるため効果的でない可能性があります。本論文では、MCLLにおける表現能力を強化するためにコントラスト学習を用いるシンプルかつ効果的なフレームワークであるMulCoを提案します。コントラスト学習は、意味的に類似するペアと非類似ペアのインスタンスを対比し、アンカーとは異なる真のラベルを持つネガティブから利益を得ることを目的とします。しかし、ネガティブを不正確にラベル付けされたデータからランダムにサンプルするため、非類似ペアが同じラベルを持つ可能性があります。この問題を解決するために、MulCo用に同一ラベルのネガティブペアのサンプリングを修正する「ふるい分けコントラスト損失」を設計しました。また、理想的なコントラスト損失の上限を確立することで、この損失関数の実現可能性について理論的証拠を示します。対応して、補完ラベルの特性を利用して理想的なコントラスト損失を重み付けにより近似する2つの段階的な解法を開発しました。実証研究により提案手法の有効性を示しました。本論文のコードはhttps://github.com/gaoyi439/MulCo にて公開しています。
Gaoら（Mon,）はこの問題を研究しました。