결측 레이블이 있는 다중 레이블 학습

다중 레이블 학습에서 각 샘플은 동시에 여러 클래스 레이블이 부여될 수 있습니다. 본 연구에서는 각 샘플에 대해 완전한 레이블 할당이 제공되는 것이 아니라, 부분 레이블만 값으로 할당되고 나머지는 누락되거나 제공되지 않는 결측 레이블이 있는 다중 레이블 학습(MLML) 문제에 초점을 맞춥니다. MLML에서는 긍정(존재), 부정(부재) 및 결측 레이블이 명확히 구분됩니다. 우리는 MLML을 전이 학습 문제로 설정하여, 가용 레이블 할당과 레이블 할당의 일관성을 유지하고 부드러움을 강제하여 각 샘플에 대한 전체 레이블 할당을 복구하는 것을 목표로 합니다. 정확한 솔루션과 함께 효과적이고 효율적인 근사 솔루션도 제공합니다. 우리의 방법은 여러 벤치마크 데이터 세트에서 여러 최신 기술 방법들보다 훨씬 더 나은 성능을 보여줍니다.