Representasi Prediktif Mengatasi Ambiguitas Pembelajaran Label Parsial: Standar Baru untuk Data AI

Dalam dunia kecerdasan buatan yang berkembang pesat, kualitas data sering menjadi penghalang utama bagi keberhasilan model. Peneliti pembelajaran mesin kerap menghadapi tantangan spesifik yang dikenal sebagai Pembelajaran Label Parsial atau Partial Label Learning (PLL). Paradigma ini menyajikan contoh pelatihan yang terhubung dengan sekumpulan label potensial alih-alih satu jawaban pasti. Ambiguitas seperti ini umum ditemukan dalam aplikasi dunia nyata seperti anotasi gambar otomatis, diagnostik medis, dan mesin rekomendasi di mana pelabelan presisi terlalu mahal atau bahkan mustahil dilakukan. Tantangan utamanya adalah disambiguasi. Model harus mengidentifikasi label yang benar dari daftar kandidat sambil sekaligus membangun klasifikasi yang akurat.

Metode tradisional untuk menangani PLL sangat bergantung pada pembuatan grafik yang hanya menggunakan ruang fitur asli. Pendekatan ini menyebarkan informasi pelabelan melalui struktur tersebut namun tetap rentan terhadap noise, outlier, dan variasi yang tidak terkait dengan kelas sebenarnya. Kerentanan ini dapat secara signifikan mengurangi keandalan proses disambiguasi. Untuk mengatasi keterbatasan ini, para peneliti mengembangkan kerangka kerja baru bernama Predictive Representation Augmentation (PRA). Metode ini memanfaatkan representasi prediktif yang dihasilkan oleh model klasifikasi yang telah dilatih sebelumnya. Representasi ini berfungsi sebagai informasi ruang label yang lebih baik untuk membimbing konstruksi grafik.

Kerangka kerja PRA beroperasi dengan cara plug-and-play. Ia tidak memerlukan penyesuaian hyperparameter atau prosedur optimasi pada metode dasar yang ada. Prosesnya melibatkan tiga tahap berbeda. Pertama, metode PLL berbasis grafik dasar menjalani pelatihan awal. Kedua, representasi prediktif dihasilkan untuk setiap instance. Terakhir, model menjalani pelatihan ulang yang diperkaya. Pada tahap akhir ini, fitur asli yang digunakan untuk konstruksi grafik diganti dengan representasi prediktif yang distandarisasi. Representasi ini menawarkan pemisahan kelas yang lebih unggul dibandingkan data mentah.

Secara bersamaan, input model prediksi diperkaya dengan menggabungkan fitur mentah asli bersama representasi prediktif ini. Hal ini memastikan model tetap mengakses informasi mentah lengkap sambil mendapatkan manfaat dari panduan diskriminatif. Eksperimen ekstensif yang dilakukan pada enam dataset benchmark beragam menunjukkan efektivitas PRA. Dataset tersebut mencakup Lost, MSRCv2, Mirflickr, BirdSong, Soccer Player, dan Yahoo! News.

Saat diterapkan pada tiga metode PLL berbasis grafik yang mewakili, yaitu PL-LEAF, PL-AGGD, dan PL-CL, PRA mencapai peningkatan yang signifikan secara statistik dalam 17 dari 18 perbandingan berpasangan setelah koreksi Holm-Bonferroni. Kerangka kerja ini terbukti robust terhadap berbagai tingkat noise label dan hanya membutuhkan dua kali pelatihan. Ini membuatnya efisien secara komputasi dibandingkan pendekatan iteratif. Dengan mengintegrasikan wawasan ruang label ke dalam konstruksi grafik, PRA menetapkan standar baru dalam menangani data ambigu. Ia menawarkan solusi yang skalabel bagi industri di mana anotasi presisi sulit ditemukan.