Combining Supervised Learning and Reinforcement Learning for Multi-Label Classification Tasks with Partial Labels

传统的监督学习在数据需求较高的神经网络方法中，严重依赖于人工标注的数据集。然而，各种任务，特别是像文档级关系抽取这样的多标签任务，由于特定的领域知识和大量的类别集合，完全手动注释存在困难。因此，我们解决了多标签正无标记学习（MLPUL）问题，其中只有一部分正类别被注释。我们提出了部分注释分类的混合学习器（MLPAC），这是一个基于强化学习的框架，结合了强化学习的探索能力和监督学习的开发能力。包括文档级关系抽取、多标签图像分类和二元PU学习在内的各种任务的实验结果表明，我们的框架具有广泛的泛化性和有效性。

本论文旨在解决多标签正无标记学习（MLPUL）问题，其中只有一部分正类被注释的问题。这是一个新问题，因为在特定领域知识和大类集的情况下，完全手动注释是有挑战性的。

本文提出了一种基于强化学习的框架——部分注释分类的混合学习器（MLPAC），将强化学习的探索能力和监督学习的开发能力相结合，解决MLPUL问题。

本文在不同任务上进行了实验，包括文档级关系提取、多标签图像分类和二元PU学习，并展示了MLPAC框架的泛化和有效性。值得关注的是，该框架不需要完全注释的数据集，具有很好的可扩展性和适应性。

近期的相关研究包括基于深度学习的多标签学习和正无标记学习，以及注释数据不足的学习方法。其中一些论文包括：“Multi-Label Learning with Missing Labels for Image Classification”和“Positive-Unlabeled Learning with Non-Negative Risk Estimator”。