English(EN) Rethinking Learning from Label Proportions via Moment Matching

新的LLP-MM方法在处理高维数据时改进了从标签比例学习

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-16 04:00

研究人员开发了一种名为矩匹配标签比例学习（LLP-MM）的新方法，以解决在高维数据上从标签比例学习（LLP）的局限性。现有的LLP方法通常假设数据是随机组装的，而这在实际应用中并不常见。然而，LLP-MM在更现实的假设下运行，即袋子是独立抽样的，并且在给定实例的情况下，实例标签是条件独立的，这使得标签计数遵循泊松多项分布。该方法利用多阶阶乘矩作为训练目标，以更好地利用数据的统计结构，并在实验中证明了其有效性和计算效率。 AI

影响这种新方法可以提高在标签信息不完整的情况下训练的机器学习模型的准确性，尤其是在数据不是随机抽样的情况下。

排序理由该条目是一篇详细介绍新机器学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 14 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该条目是一篇详细介绍新机器学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Tianhao Ma, Wei Wang, Yivan Zhang, Dong-Dong Wu, Takashi Ishida, Gang Niu, Masashi Sugiyama · 2026-10-16 04:00

通过矩匹配重新思考标签比例学习

arXiv:2610.21262v1 Announce Type: new Abstract: Learning from label proportions (LLP) is a weakly supervised setting where training data are grouped into bags with only bag-level label proportions observed, and the goal is to learn a classifier that predicts labels for individual…

本文如何被排名

报道来源 [1]

通过矩匹配重新思考标签比例学习

相关实体

相关话题