多實例部分標籤學習

深度分析

ILP 助力神經符號弱監督：提升多實例部分標籤學習的可解釋性與魯棒性

弱監督在標籤稀疏或噪聲情況下仍可訓練模型，但缺乏可解釋性。研究將歸納式邏輯程式設計結合 MI‑PLL，提供結構化關係約束，提升透明度與魯棒性。ILP 定義邏輯假設空間，明確描述標籤轉換規則，使預測可被領域知識驗證，對醫療與金融等高風險領域尤為重要。實驗顯示錯誤偵測率顯著降低。