部分多标签绿色学习的全局注意力消歧方法

《ARTIFICIAL INTELLIGENCE REVIEW》：Partial multi-label green learning with global attention disambiguation

　　

摘要

部分多标签学习（PML）旨在从标注有不完整标签集的样本中进行学习，其中仅有真实标签的一个子集可用。在资源受限的环境中，这一问题尤为具有挑战性，因为模型效率和可解释性至关重要。本文提出了一种新颖的框架——带有全局注意力消歧的部分多标签绿色学习（PMGL-GAD），该框架将轻量级无监督特征提取与全局注意力引导的消歧相结合。具体而言，我们采用绿色学习架构PixelHop++以前馈、免训练的方式构建多尺度层次化特征。为增强部分标签解析的判别能力，我们将全局注意力消歧（GAD）模块引入绿色学习流程中。GAD模块通过全局注意力机制和可学习的门控策略构建跨通道数据子空间，实现跨标签的特征重加权，且无需深度网络训练。此外，我们同步学习一个消歧标签子空间以改进标签分配。实验结果表明，PMGL-GAD在显著降低复杂度的同时取得了具有竞争力的性能，为弱监督场景下可解释、低碳的多标签学习提供了有前景的方向。