Disambiguazione calibrata per l’apprendimento multietichetta parziale

Abstract degli autori

L’apprendimento multietichetta parziale (PML) mira ad addestrare un classificatore su dataset le cui istanze sono sovra-annotate con etichette sia pertinenti sia irrilevanti, come accade spesso quando i dataset vengono raccolti tramite piattaforme di crowdsourcing. I lavori esistenti affrontano il problema principalmente dal punto di vista dell’apprendimento curricolare, sfruttando l’effetto di memorizzazione per distinguere le etichette rumorose e produrre previsioni robuste. Questi metodi, tuttavia, si basano su funzioni di ponderazione non adattive e non dispongono di indicazioni teoriche per individuare la ponderazione ottimale. Per superare questi limiti proponiamo PML-CD, un modello di disambiguazione calibrata. Per prima cosa formuliamo la funzione di ponderazione ottimale per la disambiguazione basata sull’apprendimento curricolare: ciò equivale a calibrare i valori di confidenza previsti dal modello e fornisce quindi indicazioni per progettare il percorso di apprendimento. Per ricavare la funzione di ponderazione ottimale dal dataset PML durante l’addestramento, progettiamo un calibratore trasferibile che riceve in input l’istogramma dei valori di confidenza dei campioni positivi e restituisce la ponderazione ottimale per l’apprendimento curricolare. Proponiamo inoltre una regolarizzazione dell’allineamento dei prototipi per migliorare le prestazioni del modello. Gli esperimenti condotti su Pascal VOC, MS-COCO, NUS-WIDE e CUB hanno verificato che il nostro metodo supera i metodi PML più avanzati esistenti.