基于标签分布学习的偏标记分类研究综述.docVIP

基于标签分布学习的偏标记分类研究综述

一、偏标记分类的问题定义与现实挑战

偏标记分类是弱监督学习领域的典型分支，其核心场景为每个训练样本对应一个候选标签集合，其中仅存在一个真实标记但无法被直接观测。这类数据模式广泛存在于现实任务中：在图像分类任务中，众包标注者可能为一张包含鸟类的图片同时标注“麻雀”“柳莺”“绣眼鸟”等相似物种，真实标签隐藏在候选集合内；在生物信息学领域，蛋白质功能预测中一个蛋白质序列可能对应多个潜在功能注释，仅有一种是其实际执行的核心功能；在自然语言处理的实体链接任务中，一个歧义实体名称可能对应多个候选知识库条目，真实指代需要从候选集中挖掘。

传统监督学习方法无法直接处理这类数据，因为候选标签集合的存在导致训练目标的不确定性：若直接将候选集所有标签作为正样本训练，会引入大量噪声；若随机从候选集中选择标签作为真实标记，会导致模型学习到错误的监督信号。早期偏标记分类研究多采用“消歧优先”策略，即先通过启发式规则或简单模型为每个样本确定伪标签，再基于伪标签训练分类器，但这类方法极易受到消歧误差的影响，伪标签的错误会在后续训练过程中被不断放大，最终导致模型泛化性能严重下降。

随着弱监督学习理论的发展，研究者逐渐意识到偏标记分类的核心矛盾在于标签语义的模糊性与监督信号的不完整性，而标签分布学习（LabelDistributionLearning,LDL）的出现为解决这