초록
최근에 보완 레이블 학습(Complementary-label Learning)이라는 약한 지도 학습 프레임워크가 제안되었으며, 이는 각 샘플에 대해 해당 샘플이 속하지 않는 클래스 중 하나를 나타내는 단일 보완 레이블을 부여하는 방식이다. 그러나 기존의 보완 레이블 학습 방법은 쉽게 확보할 수 있는 무라벨 샘플과 다수의 보완 레이블을 가진 샘플로부터 학습할 수 없으며, 이러한 샘플들은 더 풍부한 정보를 제공할 수 있다. 본 논문에서는 이러한 제약을 제거하기 위해, 임의의 손실 함수와 모델에 대해 보완 레이블이 여러 개인 샘플과 무라벨 샘플로부터 분류 위험을 편향 없이 추정할 수 있는 새로운 다중 보완 레이블 및 무라벨 학습 프레임워크를 제안한다. 먼저 다수의 보완 레이블을 가진 샘플로부터 분류 위험에 대한 편향 없는 추정량을 제시한 후, 무라벨 샘플을 위험 함수에 통합함으로써 추정량을 더욱 개선한다. 추정 오차 한계 분석을 통해 제안된 방법이 최적의 파라미터 수렴 속도를 달성함을 보였다. 마지막으로 선형 모델과 딥 모델에 대한 실험을 통해 제안된 방법의 효과성을 검증하였다.