
-
生物通官微
陪你抓住生命科技
跳动的脉搏
CLIP2LE:一种通过CLIP实现标签增强和公平表示的方法
《Big Data Mining and Analytics》:CLIP2LE: A Label Enhancement Fair Representation Method via CLIP
【字体: 大 中 小 】 时间:2026年01月19日 来源:Big Data Mining and Analytics 6.2
编辑推荐:
标签增强通过整合特征空间与逻辑标签空间生成高质量标签分布,作为软目标提升多标签、单正多标签及部分标签学习性能。现有算法受限于数据集类型和标注噪声,存在特征与标签空间贡献不均(缺乏公平性)及噪声标签导致输出不稳定问题。本文提出基于CLIP的跨模态重新编码策略,将特征与标签空间视为不同模态,通过公平的联合表示优化标签增强效果,并在多基准实验中验证其有效性。
目前,通过使用标签转换来提高多标签学习算法[1]、单正多标签学习[2]和部分标签学习[3]的性能已成为一种常见手段,这通过标签增强方法[4]、[5]、[6]、[7]来体现。标签增强(LE)利用样本的特征空间和逻辑标签空间生成高质量的标签分布[8]、[9],然后将其作为正则化项应用于各种学习范式(见图1(a))。尽管取得了令人印象深刻的成果,但当前的LE算法尚未在各种基准测试中实现一致的性能。针对这一问题,我们提出了两个见解:1)许多用于标签分布生成的LE算法假设特征空间和逻辑标签空间具有同等的重要性,认为它们具有相同的影响。实际上,这些特征的贡献并不公平——缺乏我们所说的“公平性”,即在标签增强过程中,特征空间和逻辑标签空间没有得到平衡的表示,因此在转换到目标标签分布空间时,任何一种模态都不会被过度优先考虑,从而减轻了对特征或逻辑标签的偏见。2)一些LE数据集包含噪声和错误标签,可能导致类似输入产生显著不同的输出。