VALSE 论文速览 第21期：利用加权损失的部分标记学习

为了使得视觉与学习领域相关从业者快速及时地了解领域的最新发展动态和前沿技术进展，VALSE最新推出了《论文速览》栏目，将在每周二和周五各发布一篇顶会顶刊论文的录制视频，对单个前沿工作进行细致讲解。本期VALSE论文速览选取了来自北京大学ICML2021 Long Oral的工作。该工作由王奕森教授和林宙辰教授指导，崔敬怡同学录制，将为大家呈现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 (University of Twente)，崔敬怡 (共同一作，北京大学)，杭汉源 (University of Twente)，刘佳斌 (三星研究院)，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/

复制链接到浏览器打开或点击阅读原文即可跳转至观看页面。

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)

活动参与方式

1、VALSE每周举行的Webinar活动依托B站直播平台进行，欢迎在B站搜索VALSE_Webinar关注我们！

直播地址：

https://live.bilibili.com/22300737；

历史视频观看地址：

https://space.bilibili.com/562085182/ 

2、VALSE Webinar活动通常每周三晚上20:00进行，但偶尔会因为讲者时区问题略有调整，为方便您参加活动，请关注VALSE微信公众号：valse_wechat 或加入VALSE QQ R群，群号：137634472）；

*注：申请加入VALSE QQ群时需验证姓名、单位和身份，缺一不可。入群后，请实名，姓名身份单位。身份：学校及科研单位人员T；企业研发I；博士D；硕士M。

3. VALSE微信公众号一般会在每周四发布下一周Webinar报告的通知。

4、您也可以通过访问VALSE主页：http://valser.org/ 直接查看Webinar活动信息。Webinar报告的PPT（经讲者允许后），会在VALSE官网每期报告通知的最下方更新。

看到这了，确定不关注下吗？关注下再走吧～