[论文解读] 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 0

一句话总结

该论文提出 CAD，一种基于类特定增强的解耦框架，用于实例相关的部分标注学习（ID-PLL），通过类内增强和类间加权惩罚来降低纠缠并改善判别，在多个数据集上得到验证。

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.

研究动机与目标

• 识别实例纠缠如何损害 ID-PLL 的性能。
• 提出 CAD 以通过类内/类间调控解决纠缠问题。
• 开发能对齐同标签特征的类特定增强。
• 引入加权惩罚损失以扩大类间距离。
• 在多样数据集上证明 CAD 的有效性。

提出的方法

• 提出能放大与每个候选标签相关的特征并对齐同标签增强的类特定增强。
• 使用基于 CAM 的特征重加权或基于扩散的图像编辑来生成类特定增强。
• 应用对比学习以对齐由相同候选标签诱导的增强。
• 引入加权去歧义损失，强化候选标签信号并抑制易混淆的非候选标签。
• 将 L_discls 与 L_c 组合成带平衡参数 beta 的单一训练目标：L(x,S) = L_discls(x) + (beta/|S|) sum_{s in S} L_c(x'_s)。
• 提供 CAD-CAM 作为高效的基于 CAM 的基线并与扩散式增强进行比较。

实验结果

研究问题

• RQ1 实例纠缠如何影响 ID-PLL 的学习？
• RQ2 类特定增强是否能降低因纠缠造成的类内错位和类间混淆？
• RQ3 对非候选标签的加权惩罚是否提高类间分离度与整体去歧义性？
• RQ4 CAD 在标准 ID-PLL 数据集和细粒度数据集上的表现如何？

主要发现

• CAD 及 CAD-CAM 在包括细粒度数据集在内的五个基准上达到最优性能。
• 在细粒度数据集上，CAD-CAM 可超越 CAD，因为扩散式编辑在微妙差异上的局限性。
• 与 RC、ABLE、DIRK 相比，CAD 在纠缠实例上提高了准确率，对最纠缠的配对有更大收益。
• CAD 提高了类间可分离性并减少了相似类别之间的混淆，见于 t-SNE 与混淆矩阵。
• 消融实验表明即使没有外部生成先验，CAD-CAM 也能带来显著收益，且类内对齐对性能贡献显著。