Wenigsten- mehrdeutigen Multi-Label Klassifikator

Das Multi-Label-Lernen erfordert häufig die Identifizierung aller relevanten Labels für Trainingsinstanzen, aber das Sammeln vollständiger Label-Anmerkungen ist kostspielig und arbeitsintensiv. In vielen Datensätzen ist pro Trainingsinstanz nur ein einziges positives Label annotiert, trotz der Anwesenheit mehrerer relevanter Labels. Dieses Setting, bekannt als Single-Positive Multi-Label Learning (SPMLL), stellt eine signifikante Herausforderung dar aufgrund seiner extremen Form der teilweisen Überwachung. Wir schlagen einen modell-agnostischen Ansatz für SPMLL vor, der auf konformer Vorhersage basiert, um kalibrierte mengenwertige Ausgaben zu erzeugen, die zuverlässige Multi-Label-Vorhersagen zur Testzeit ermöglichen. Unsere Methode schlägt die Überwachungsücke zwischen dem Training mit einzelnen Labels und der Multi-Label-Evaluierung, ohne auf Annahmen zur Labelverteilung zuzugreifen. Wir bewerten unseren Ansatz an 12 Benchmark-Datensätzen und zeigen konsistente Verbesserungen gegenüber bestehenden Baselines und praktische Anwendbarkeit.