#Paper Reading# Towards Enabling Binary Decomposition for Partial Label Learning

论文题目：Towards Enabling Binary Decomposition for Partial Label Learning
论文地址：http://cse.seu.edu.cn/people/zhangml/files/IJCAI'18.pdf
论文发表于：IJCAI 2018（CCF A类会议）

论文大体内容：
本文主要采用两层分类器来解决偏标记学习问题，通过one-vs-one的第一层分类器，加上第二层做stack的做法，取的state-of-the-art的效果；

1. Partial label (PL) learning偏标记学习是指对于每个样本，都有多个候选的label，偏标记学习算法需要从这些候选label中找到正确的label；

2. 构建数据集
对于one-vs-one的任务，本文使用下面的方法构建样本：
①选择任意两个label，λi，λj；
②在所有样本中，选择候选label集合中只包含λi的样本而不包含λj的样本，作为λi的正样本，λj的负样本；
③在所有样本中，选择候选label集合中只包含λj的样本而不包含λi的样本，作为λj的正样本，λi的负样本；
可以看到，这样构建数据集有一个明显的缺点就是会将大量样本丢弃掉，对于某些样本少的label或者两个常一起出现的label，二分类器的样本太少而导致不能很好的分类；

3. 训练C(q, 2)个one-vs-one的分类器，然后用投票法得出第一层的结果，如果对于样本Xi预测的label Yi是候选集里的，则Xi的第二层候选label集就缩减为Yi，否则候选label集不变；

4. 第二层类似于第一层的做法，加入第一层各个one-vs-one分类器的结果，作为feature，然后根据one-vs-rest的做法构建样本，进行训练；

5. 最后平衡第一层和第二层的结果，然后得到最后的预测结果；

实验
6. Dataset：
学术数据集
①Controlled UCI Data Sets；
真实数据集
②FG-NET；
③Lost；
④MSRCv2；
⑤BirdSong；
⑥Soccer Player；
⑦Yahoo! News；

7. Baselines
①CLPL；
②PL-KNN；
③PL-SVM；
④LSB-CMM；
⑤PL-ECOC；

8. 评测方法
Classification accuracy (mean±std)；

9. 结果

 

以上均为个人见解，因本人水平有限，如发现有所错漏，敬请指出，谢谢！