Calibratable Disambiguation Loss for Multi-Instance Partial-Label Learning
用于多实例部分标签学习的可校准消歧损失
机构 * School of Computer Science and Engineering, Southeast University（计算机科学与工程学院，东南大学） ； Key Laboratory of Computer Network and Information Integration (Southeast University), MoE, China（计算机网络与信息集成重点实验室（东南大学），教育部，中国） ； School of Information and Physical Sciences, The University of Newcastle（信息与物理科学学院，新castle大学）
AI总结 针对多实例部分标签学习中校准不佳问题，提出可校准消歧损失（CDL），通过顶级与竞争对手预测边际调制消歧目标，有两个变体，经理论分析和实验验证，显著提升分类准确率和预期校准误差。
Comments Accepted at IEEE TPAMI. The code can be found at \url{https://github.com/tangw-seu/MIPLCDL}
