点关注，不迷路，定期更新干货算法笔记~

今天给大家介绍ICLR 2022最佳论文PICO: CONTRASTIVE LABEL DISAMBIGUATION FOR PARTIAL LABEL LEARNING，这篇文章解决的是Partial Label Learning（PLL）问题，即训练数据中一个图像不是一个确定的label，而是一组可能的label集合，需要预测出每个样本的真实label。

下载地址：https://openreview.net/pdf?id=EhYjZy6e1gJ

1

什么是Partial Label Learning（PLL)

有监督学习是最常见的一种机器学习问题，给定一个输入样本，预测该样本的label是什么。Partial Label Learning（PLL）问题也是预测一个样本对应的label，但是和有监督学习问题的差异是，PLL问题的训练数据中，一个输入样本对应多个候选label，真正的label是候选label中的一个。

为什么会有PLL这样的问题呢？因为在现实问题中，label来自于人工标注，而有的样本人工标注比较困难，只标注一个label会造成噪声较大的问题。例如下面的例子中，比较难区分这张狗对应的类别是哈士奇、雪橇犬还是萨摩耶，强行让人工标注成一个确定的label容易在数据中引入噪声。PLL放宽了这种限制，在标注的label中可以引入一些不确定性，给一个样本赋予多个候选label，模型学习从这些label中预测ground-truth对应的那个label。

2

PLL问题的难点

PLL的效果目前和有监督学习还有一定差距。PLL问题的难点在于标签消歧，也就是从候选label集合中预测出样本的真实label。业内一般的解法是学习样本高质量的表示，然后根据在特征空间中距离近的样本更可能属于同一类别这个假设，实现标签消歧。

然而，这种方法的问题在于，当label是一个不确定的集合而不是一个确定值时，这种不确定性也会对表示学习的过程造成负面影响。表示学习效果不好，又会对标签消歧的效果造成负面影响。

为了解决这个问题，ICLR 2022的最佳论文提出了基于对比学习的PLL问题求解方法。利用对比学习提升表示学习的效果，再利用良好的表示对label进行消歧，消歧后的label又有助于进一步生成良好的样本表征，形成良性循环，提升整体效果。

这篇文章提出的Partial label learning with COntrastive label disambiguation (PiCO) framework主要包括利用对比学习提升表示生成质量，以及基于聚类的label消歧两个核心模块。下面，我们走进这篇最佳论文，理解其背后的思想。

3

PiCO核心点1—对比学习引入PLL

第一个核心点是为了提升PLL中的表示生成效果，作者将对比学习的方法引入到PLL问题中。对比学习在有监督问题上已经取得广泛的应用，但是在PLL问题上目前还没有相关研究。将对比学习应用到PLL的一个最主要的问题是正样本对如何构造。在有监督学习中，每个样本都有其对应的确定性label，天然可以构造出正样本。而PLL问题中，每个样本的label是不确定的，无法直接获取正样本对。

为了解决上述问题，本文提出利用分类器对样本的预测结果作为样本真实label（也就是伪标签persudo label），根据这个label构造正样本对。在得到正样本对后，利用MoCo对比学习框架进行表示学习，将样本的两种view分别输入两个参数共享的Encoder，其中key侧的Encoder使用动量更新的方式减小计算开销。对比学习loss作为一个辅助任务和主任务联合学习。对MoCo等对比学习框架不了解的同学，可以参考我之前的文章：对比学习中的4种经典训练模式。利用对比学习，可以让样本在特征空间形成类簇，这也为后续的标签消歧奠定了基础。

4

PiCO核心点2—标签消歧

本文采用了一种类似EM算法的思路实现标签消歧。首先，对于每个类别维护一个embedding向量u，它可以视为类的类簇中心。对于每个样本的label，在PLL中也用一个N维向量表示s，N代表类别数量，表示了该样本属于每个类别的概率。接下来为了实现标签消歧，在训练过程中不断更新s，更新方法是看样本表示和哪个类别向量最近，就用滑动平均的方式对s的那一维进行更新，公式可以表示为：

相应的，类别向量u也利用滑动平均的方式进行更新，公式如下：

通过这两个步骤的迭代进行，逐步实验标签消歧。这其实和Kmean以及Kmeans++这种方法类似，本质上就是一个聚类过程。从PiCO框架整体来看，对比学习提升表示学习效果，表示质量的提升又促进了下游基于聚类的标签消歧效果，标签的确定性增加又进一步提升了表示生成的质量，形成了良性循环。

5

实验结果

本文进行了大量实验从多个角度验证了PiCO解决PLL问题的效果。在样本表示的学习上，从下面的t-SNE向量可视化分析图可以看出，PiCO生成不用类别的向量表示非常清晰，类内的内聚性和类间的差异性相比其他方法都是更好的。

下面的实验结果对比了PiCO和和其他方法在PLL问题上的效果，可以看出PiCO要比其他方法效果有非常显著的提升。

6

总结

本文介绍了ICLR 2022的最佳论文，在Partial Label Learning问题上的解决方法。通过这篇文章，核心是理解顶会最佳论文的设计思路，本文用的求解方法比较优雅，背后的设计思路也非常清晰，背后的思考非常值得学习。

END