VALSE 论文速览 第21期：弱监督领域最前沿的进展

论文题目：Leveraged Weighted Loss for Partial Label Learning

作者列表：温宏伟 (北京大学)，崔敬怡 (共同一作，北京大学)，杭汉源 (北京大学)，刘佳斌 (北京大学)，王奕森 (北京大学)，林宙辰 (北京大学)

B站观看网址：

https://www.bilibili.com/video/BV13Q4y1Q76q/

论文摘要：

作为弱监督学习的一个重要分支，partial label learning处理的数据是每个实例都对应于一组候选标签，我们需要从中辨别出唯一真实的标签。尽管已经有许多关于partial label learning方法论的研究，但具有理论保障的算法较少，假设较强，尤其缺少理论结果与参数的经验选择之间的联系。在本文中，我们提出了一族名为Leveraged Weighted (LW) 的损失函数，它首次引入了杠杆参数来分别考虑partial label和非partial label上的损失。在理论方面，本文首次拓展并弱化了partial label集合的采样假设，并证明了LW损失函数的风险一致性和贝叶斯一致性。这些理论分析对leverage参数的选取提供了指导。在实验上，我们验证了关于参数选取的理论结果，并展示了在与state-of-the-art的partial label learning算法对比中，我们提出的LW损失在标准数据集和真实数据集上均表现出了很好的实验效果。模型和代码已开源：https://github.com/hongwei-wen/LW-loss-for-partial-label。

论文信息：

[1] Wen, H., Cui, J., Hang, H., Liu, J., Wang, Y., & Lin, Z. (2021). Leveraged Weighted Loss for Partial Label Learning. in Proceeding of International Conference on Machine Learning (ICML2021), Long Oral, Acceptance rate: 3%. 

论文下载：

[https://arxiv.org/abs/2106.05731]

视频讲者简介：

崔敬怡，北京大学智能科学系一年级博士生。目前的研究兴趣为无监督/自监督学习、弱监督学习，在ICML2021上发表论文两篇论文。

特别鸣谢本次论文速览主要组织者：

月度轮值AC：刘洋 (北京大学)，林迪 (天津大学)，朱霖潮 (悉尼科技大学)

季度责任AC：王兴刚 (华中科技大学)