[論文レビュー] Mitigating Instance Entanglement in Instance-Dependent Partial Label Learning

Rui Zhao, Bin Shi+2 more|arXiv (Cornell University)|Mar 5, 2026

Machine Learning and Data Classification被引用数 0

ひとこと要約

本論文は、インスタンス依存の部分ラベル学習（ID-PLL）に対するクラス特異的拡張ベースの分離フレームワークであるCADを提案し、同クラス内の拡張とクラス間の重み付きペナルティを用いてエンタングルメントを低減し識別性を向上させる。複数のデータセットで検証されている。

ABSTRACT

Partial label learning is a prominent weakly supervised classification task, where each training instance is ambiguously labeled with a set of candidate labels. In real-world scenarios, candidate labels are often influenced by instance features, leading to the emergence of instance-dependent PLL (ID-PLL), a setting that more accurately reflects this relationship. A significant challenge in ID-PLL is instance entanglement, where instances from similar classes share overlapping features and candidate labels, resulting in increased class confusion. To address this issue, we propose a novel Class-specific Augmentation based Disentanglement (CAD) framework, which tackles instance entanglement by both intra- and inter-class regulations. For intra-class regulation, CAD amplifies class-specific features to generate class-wise augmentations and aligns same-class augmentations across instances. For inter-class regulation, CAD introduces a weighted penalty loss function that applies stronger penalties to more ambiguous labels, encouraging larger inter-class distances. By jointly applying intra- and inter-class regulations, CAD improves the clarity of class boundaries and reduces class confusion caused by entanglement. Extensive experimental results demonstrate the effectiveness of CAD in mitigating the entanglement problem and enhancing ID-PLL performance. The code is available at https://github.com/RyanZhaoIc/CAD.git.

研究の動機と目的

• インスタンスのエンタングルメントがID-PLLの性能に及ぼす影響を特定する。
• エンタングルメントに対処するために、クラス内外の規制を用いるCADを提案する。
• 同一ラベルの特徴を揃えるクラス特異的拡張を開発する。
• クラス間距離を広げる重み付きペナルティ損失を導入する。
• 多様なデータセットでCADの有効性を示す。

提案手法

• 各候補ラベルに関連する特徴を強化し、同一ラベルの拡張を揃えるクラス特異的拡張を提案する。
• CAMベースの特徴ウェイト付けまたは拡散ベースの画像編集のいずれかを用いてクラス特異的拡張を生成する。
• 同じ候補ラベルによって誘導される拡張を揃えるためにコントラスト学習を適用する。
• 候補ラベルの信号を強化し、混同しやすい非候補ラベルを抑制する重み付き判別損失を導入する。
• L_disclsとL_cをβで調整可能な単一の学習目的関数に統合する：L(x,S) = L_discls(x) + (beta/|S|) sum_{s in S} L_c(x'_s)。
• CAD-CAMを効率的なCAMベースのベースラインとして提供し、拡散ベースの拡張と比較する。

実験結果

リサーチクエスチョン

• RQ1 ID-PLLにおけるインスタンスエンタングルメントは学習にどのような影響を与えるのか。
• RQ2 クラス特異的拡張はエンタングルメントによって生じるクラス内のずれとクラス間の混乱を低減できるのか。
• RQ3 非候補ラベルの重み付きペナルティはクラス間の分離と全体的な判別性を改善するのか。
• RQ4 CADは標準のID-PLLデータセットおよびファイングレインドデータセットでどのように機能するのか。

主な発見

• CADおよびCAD-CAMは、ファイングレインドデータを含む5つのベンチマークで最高性能を達成。
• 拡散ベースの編集が微妙な違いには制約があるため、ファイングレードデータセットではCAD-CAMがCADを上回ることがある。
• エンタングルメントされたインスタンスでの精度はCADがRC、ABLE、DIRKより改善し、最もエンタングルメントの高いペアでより大きな利益を得る。
• CADはt-SNEと混同行列で示されるようにクラス間の分離性を高め、類似クラス間の混乱を減少させる。
• アブレーション解析ではCAD-CAMが外部生成 priorsなしでも有意な利得を提供し、クラス内整合性が性能に顕著に寄与することを示す。