[논문 리뷰] Mitigating Instance Entanglement in Instance-Dependent Partial Label Learning

Rui Zhao, Bin Shi외 2명|arXiv (Cornell University)|2026. 03. 05.

Machine Learning and Data Classification인용 수 0

한 줄 요약

논문은 instance-dependent partial label learning (ID-PLL)에 대해 intra-class augmentation 및 inter-class weighted penalties를 이용한 entanglement를 감소시키고 disambiguation을 개선하는 CAD라는 클래스-특정 증강 기반 disentanglement 프레임워크를 소개하며, 여러 데이터셋에서 검증되었다.

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.

연구 동기 및 목표

• 인스턴스 얽힘이 ID-PLL 성능에 미치는 영향을 식별한다.
• 얽힘을 해결하기 위해 intra- 및 inter-class 규제를 통해 CAD를 제안한다.
• 같은 레이블의 특징을 정렬하도록 클래스-특정 증강을 개발한다.
• 인터-클래스 간 거리를 넓히기 위한 가중 패널티 손실을 도입한다.
• 다양한 데이터셋에서 CAD의 효과를 입증한다.

제안 방법

• 각 후보 레이블과 관련된 특징을 증폭시키고 같은 레이블의 증강을 정렬하도록 클래스-특정 증강을 제안한다.
• CAM 기반 특징 재가중화 또는 확산 기반 이미지 편집 중 하나를 사용하여 클래스-특정 증강을 생성한다.
• 같은 후보 레이블에 의해 유도된 증강을 정렬하기 위해 대조 학습을 적용한다.
• 후보-레이블 신호를 강화하고 혼동 가능한 비후보 레이블을 억제하는 가중된 판별 손실을 도입한다.
• L_discls와 L_c를 β로 균형 매개변수와 함께 단일 학습 목표로 결합: L(x,S) = L_discls(x) + (beta/|S|) sum_{s in S} L_c(x'_s).
• 효율적인 CAM-기반 기준선으로 CAD-CAM을 제공하고 확산 기반 증강과 비교한다.

실험 결과

연구 질문

• RQ1 인스턴스 얽힘이 ID-PLL 학습에 어떤 영향을 미치는가?
• RQ2 클래스-특정 증강이 얽힘으로 인해 발생하는 클래스 내 정렬 불일치와 클래스 간 혼란을 줄일 수 있는가?
• RQ3 후보가 아닌 레이블에 대한 가중 페널티가 클래스 간 분리 및 전반적인 해석에 도움이 되는가?
• RQ4 표준 ID-PLL 데이터셋과 세밀한 데이터셋에서 CAD의 성능은 어떠한가?

주요 결과

• CAD 및 CAD-CAM은 세밀한 데이터셋을 포함한 다섯 벤치마크에서 최상위 성능을 달성한다.
• CAD-CAM은 세밀한 데이터셋에서 확산 기반 편집의 미묘한 차이 처리 한계로 인해 CAD보다 더 잘 작동할 수 있다.
• CAD는 RC, ABLE, DIRK에 비해 얽힘 인스턴스에서 정확도를 향상시키며, 가장 얽힌 쌍에서 더 큰 이득을 보인다.
• CAD는 t-SNE 및 혼동 행렬이 보여주듯 클래스 간 분리성을 높이고 유사한 클래스 간 혼동을 줄인다.
• 구성요소 제거 실험은 CAD-CAM이 외부 생성 사전에 의존하지 않아도 의미 있는 이득을 제공함을 보여주며, 내부-클래스 정렬이 성능에 상당한 기여를 한다.