Buchumschlag

Label Distribution Learning with Biased Annotations by Learning Multi-Label Representation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kou, Zhiqiang, Qin, Si, Wang, Hailin, Xie, Mingkun, Chen, Shuo, Jia, Yuheng, Liu, Tongliang, Sugiyama, Masashi, Geng, Xin
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Inaccurate Label Distribution Learning with Dependency Noise
von: Kou, Zhiqiang, et al.
Veröffentlicht: (2024)

Trustworthy Federated Label Distribution Learning under Annotation Quality Disparity
von: Wu, Junxiang, et al.
Veröffentlicht: (2026)

FedHarmony: Harmonizing Heterogeneous Label Correlations in Federated Multi-Label Learning
von: Kou, Zhiqiang, et al.
Veröffentlicht: (2026)

BadLabel: A Robust Perspective on Evaluating and Enhancing Label-noise Learning
von: Zhang, Jingfeng, et al.
Veröffentlicht: (2023)

Label Distribution Learning from Logical Label
von: Jia, Yuheng, et al.
Veröffentlicht: (2023)

Scalable Label Distribution Learning for Multi-Label Classification
von: Zhao, Xingyu, et al.
Veröffentlicht: (2023)

Concentration Distribution Learning from Label Distributions
von: Tang, Jiawei, et al.
Veröffentlicht: (2025)

Rethinking Toxicity Evaluation in Large Language Models: A Multi-Label Perspective
von: Kou, Zhiqiang, et al.
Veröffentlicht: (2025)

Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning
von: Xiao, Jia-Hao, et al.
Veröffentlicht: (2024)

Embracing Biased Transition Matrices for Complementary-Label Learning with Many Classes
von: Mai, Tan-Ha, et al.
Veröffentlicht: (2026)

Positive-Unlabeled Reinforcement Learning Distillation for On-Premise Small Models
von: Kou, Zhiqiang, et al.
Veröffentlicht: (2026)

Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations
von: Chen, Hao, et al.
Veröffentlicht: (2023)

Rethinking Consistent Multi-Label Classification Under Inexact Supervision
von: Wang, Wei, et al.
Veröffentlicht: (2025)

Partial Label Clustering
von: Xie, Yutong, et al.
Veröffentlicht: (2025)

Multi-Label Knowledge Distillation
von: Yang, Penghui, et al.
Veröffentlicht: (2023)

DiCaP: Distribution-Calibrated Pseudo-labeling for Semi-Supervised Multi-Label Learning
von: Han, Bo, et al.
Veröffentlicht: (2025)

Towards Better Performance in Incomplete LDL: Addressing Data Imbalance
von: Kou, Zhiqiang, et al.
Veröffentlicht: (2024)

ERASE: Error-Resilient Representation Learning on Graphs for Label Noise Tolerance
von: Chen, Ling-Hao, et al.
Veröffentlicht: (2023)

Realistic Evaluation of Deep Partial-Label Learning Algorithms
von: Wang, Wei, et al.
Veröffentlicht: (2025)

Learning from Hard Labels with Additional Supervision on Non-Hard-Labeled Classes
von: Sugiyama, Kosuke, et al.
Veröffentlicht: (2025)

Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical
von: Wang, Wei, et al.
Veröffentlicht: (2023)

Counterfactual Reasoning for Multi-Label Image Classification via Patching-Based Training
von: Xie, Ming-Kun, et al.
Veröffentlicht: (2024)

Can Class-Priors Help Single-Positive Multi-Label Learning?
von: Liu, Biao, et al.
Veröffentlicht: (2023)

Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers
von: Cai, Xin-Qiang, et al.
Veröffentlicht: (2025)

Reinforcement Learning with Options and State Representation
von: Ghriss, Ayoub, et al.
Veröffentlicht: (2024)

From Biased Selective Labels to Pseudo-Labels: An Expectation-Maximization Framework for Learning from Biased Decisions
von: Chang, Trenton, et al.
Veröffentlicht: (2024)

Improving Multi-Label Contrastive Learning by Leveraging Label Distribution
von: Chen, Ning, et al.
Veröffentlicht: (2025)

Semantic-guided Representation Learning for Multi-Label Recognition
von: Zhang, Ruhui, et al.
Veröffentlicht: (2025)

Decoupling the Class Label and the Target Concept in Machine Unlearning
von: Zhu, Jianing, et al.
Veröffentlicht: (2024)

Early Stopping Against Label Noise Without Validation Data
von: Yuan, Suqin, et al.
Veröffentlicht: (2025)

Mixed Blessing: Class-Wise Embedding guided Instance-Dependent Partial Label Learning
von: Yang, Fuchao, et al.
Veröffentlicht: (2024)

Are Multimodal Large Language Models Good Annotators for Image Tagging?
von: Xie, Ming-Kun, et al.
Veröffentlicht: (2026)

Incremental Label Distribution Learning with Scalable Graph Convolutional Networks
von: Jia, Ziqi, et al.
Veröffentlicht: (2024)

Understanding and Mitigating the Label Noise in Pre-training on Downstream Tasks
von: Chen, Hao, et al.
Veröffentlicht: (2023)

Label Anything: An Interpretable, High-Fidelity and Prompt-Free Annotator
von: Kou, Wei-Bin, et al.
Veröffentlicht: (2025)

Learning from Ambiguous Data with Hard Labels
von: Xie, Zeke, et al.
Veröffentlicht: (2025)

Feature-Label Modal Alignment for Robust Partial Multi-Label Learning
von: Chen, Yu, et al.
Veröffentlicht: (2026)

BrokenBind: Universal Modality Exploration beyond Dataset Boundaries
von: Huang, Zhuo, et al.
Veröffentlicht: (2026)

Learning Locally, Revising Globally: Global Reviser for Federated Learning with Noisy Labels
von: Tian, Yuxin, et al.
Veröffentlicht: (2024)

Noise-Resistant Label Reconstruction Feature Selection for Partial Multi-Label Learning
von: Gao, Wanfu, et al.
Veröffentlicht: (2025)