张慧婷，谢红薇，周 辉，张 昊

1.太原理工大学 软件学院，太原030024

2.太原理工大学 信息与计算机学院，太原030024

机器学习分为监督学习、半监督学习、无监督学习三大类。在监督学习中，每个示例都必须有完善的标记信息，需要科研人员花费大量时间设定标记，过程较为繁琐；而在无监督学习中，标记的稀缺性使得学习效果较差，所以半监督学习作为监督学习和无监督学习之间的平衡点，无疑是未来机器学习的重要研究方向。

偏标记学习作为半监督学习中的一种，由Hüllermeier[1]、NamNguyen[2]、Cour[3]提出。目前应用于医疗诊断[4]、人脸自动识别[5]、Web挖掘[6]等领域。与偏标记学习较为相似的有多标记学习，不同之处在于多标记学习中一个示例的所有标记都是正确的，但偏标记学习中一个示例的候选标记集中却只有一个标记是正确的。目前多标记学习广泛应用于文本分类[7]、三维模型标注[8]、无人机定位[9]等领域。

进行偏标记学习的核心在于消歧，现有的消歧方法分为两种：基于平均的消歧的和基于辨识的消歧。基于平均的消歧一般为候选标记设置相同的置信度，通过学习模型对各候选标记的输出进行置信度更新实现消歧[10]。现有方法中基于平均的消歧的有：陈鸿昶等人[10]提出一种候选标记感知的偏标记学习算法，通过对示例之间以及候选标记集之间的相似度进行考量，然后构建相似图，最后再对相似图进行学习以达到消歧目的。Zhang等人[11]通过引入纠错输出码（ECOC），将候选标记集作为一个整体进行消歧，提出了一种简单而有效的基于平均的消歧的PL-ECOC方法。……