偏标记学习的研究

Learning with weak supervision is one of the hot research areas in machine learning community, among which partial label learning serves as an important weakly-supervised learning framework. In partial label learning, each example is associated with multiple candidate class labels simultaneously, while only one of them is valid for the example. In this project, by focusing on the design of learning models for partial label examples, we aim to investigate partial label learning from the following aspects: 1) Proposing instance-based partial label learning approaches, which can make use of nonparametric techniques to deal with partial label examples; 2) Proposing partial label learning approaches based on disambiguation-free strategy, which can overcome the negative influences brought by false positive labels of partial label examples on existing disambiguation-based strategy; 3) Proposing class-imbalance aware partial label learning approaches, which can mitigate the modeling difficulties brought by the imbalanced class distribution among partial label examples; 4) Proposing label-specific partial label learning approaches, which can better characterize the properties of partial label examples in the input space; 5) Proposing partial label learning approaches based on problem transformation, which can help explore new paths to learn from partial label examples. Based on the above research initiatives, we aim to report corresponding research findings by publishing 8-10 papers in refereed international journals, international conferences and first-tier domestic journals, etc. In addition, we aim to apply for two domestic invention patents and cultivate several graduate students with master or phd degrees.

弱监督学习是国际机器学习界的热点研究领域，而偏标记学习是一类重要的弱监督机器学习框架。在偏标记学习框架下，每个对象可同时具有多个候选标记，但其中仅有一个标记反映了对象的真实语义。本项目围绕偏标记对象学习建模，从以下几个方面对偏标记学习开展深入研究：1)提出基于近邻学习的偏标记学习方法，从而充分利用非参数化技术处理偏标记对象；2)提出基于非消歧策略的偏标记学习方法，从而克服偏标记对象伪标记对现有消歧策略带来的负面影响；3)提出类别不平衡偏标记学习方法，从而缓解样本分布不平衡对偏标记对象学习建模带来的困难；4)提出基于类属属性的偏标记学习方法，从而在输入空间更好地刻画偏标记对象的性质；5)提出基于问题转换的偏标记学习方法，从而为偏标记对象学习建模探索新的途径。基于以上研究内容，本项目将在重要国际期刊/会议和国内一级学报等发表高质量论文8-10篇，申请国家发明专利两项，培养硕/博士研究生多名。

偏标记学习是一类重要的弱监督机器学习框架，在该框架下，每个对象同时具有多个候选标记但其中仅有一个标记为其真实标记。本项目围绕偏标记对象学习建模开展研究，主要研究内容包括：1)为充分利用非参数化技术处理偏标记对象，提出了一种基于近邻学习的偏标记学习方法；2)为克服偏标记对象伪标记对现有消歧策略带来的负面影响，提出了一种基于非消歧策略的偏标记学习方法；3)为缓解样本分布不平衡对偏标记对象学习建模带来的困难，提出了一种类别不平衡偏标记学习方法；4)为在输入空间更好地刻画偏标记对象的性质，提出了一种基于类属属性的偏标记学习方法；5)为探索偏标记对象学习建模新途径，提出了一种基于问题转换的偏标记学习方法。针对上述研究内容，项目组基于相关研究方案开展工作，完成了原定研究计划和目标。基于本项目成果，共发表学术论文18篇，包括《IEEE Trans. KDE》、《Machine Learning》、《中国科学：信息科学》等重要学术期刊，以及KDD、AAAI、IJCAI等重要国际会议。申请国家发明专利8项。项目负责人应邀担任ACML'18大会主席，PAKDD'19、ACML'17、PRICAI'16等程序主席，合作组织ICDM'19专题workshop，任国内外学术会议特邀报告人3次。本项目成果已被国际同行引用300余次，引用源包括重要国际期刊/会议如《IEEE Trans. PAMI》、《IEEE Trans. KDE》、AAAI等。培养博/硕士研究生若干。