Краткое содержание

arXiv:2511.12494v1 Тип: новый Аннотация: Обучение по распределению меток (LDL) — это новая парадигма, которая описывает образцы с помощью распределения меток для каждого образца. Однако сбор наборов данных для LDL является дорогостоящим и трудоёмким, что привело к появлению обучения по неполному распределению меток (IncomLDL). Все предыдущие методы IncomLDL устанавливали степени описания «пропущенных» меток в экземпляре равными 0, оставляя степени остальных меток неизменными. Этот подход нереалистичен, поскольку при отсутствии некоторых меток степени оставшихся меток должны соответствующим образом увеличиваться. Мы исправляем этот нереалистичный подход в IncomLDL и поднимаем новую проблему: LDL со скрытыми метками (HidLDL), которая направлена на восстановление полного распределения меток из реального неполного распределения, где некоторые метки в экземпляре были опущены в процессе аннотирования. Для решения этой сложной задачи мы обнаруживаем важность пропорциональной информации наблюдаемых меток и захватываем её с помощью инновационного