Game-Theoretisches Lernmodell steigert seltene Labels in Multi-Label-Klassifikation

In der realen Datenverarbeitung dominiert bei Multi-Label-Klassifikationen ein kleines Set von Hauptlabels, während seltene Tail-Labels weit verbreitet sind. Dieses Ungleichgewicht erschwert die Skalierung großer Modelle und führt häufig zu verzerrten Lernprozessen.

Um dieses Problem zu lösen, wurde das neue „Curiosity-Driven Game-Theoretic Multi-Label Learning“ (CD‑GTMLL) vorgestellt. Das Konzept wandelt die lange Schwanzverteilung in ein kooperatives Mehrspieler‑Spiel um: Jeder Teilvorhersager konzentriert sich auf einen Teil des Label‑Raums und arbeitet zusammen, um die globale Genauigkeit zu maximieren. Gleichzeitig erhält er intrinsische Belohnungen, die auf der Seltenheit von Tail‑Labels und auf Unterschieden zwischen den Spielern basieren. Dadurch werden Lernsignale gezielt an unterrepräsentierte Labels weitergegeben, ohne dass manuelle Gewichtungen oder aufwändige Hyperparameter‑Tuning nötig sind.

Eine theoretische Analyse zeigt, dass CD‑GTMLL zu einem Gleichgewicht führt, das speziell die Leistung bei seltenen Labels verbessert. Der Ansatz verbindet die Optimierungsdynamik direkt mit einer Steigerung des Rare‑F1‑Scores. In umfangreichen Experimenten – sieben Benchmark‑Datensätze mit über 30.000 Labels – übertrifft CD‑GTMLL den Stand der Technik, wobei ein Gewinn von bis zu +1,6 % bei P@3 auf dem Wiki10‑31K‑Datensatz erzielt wurde.

Abschließende Ablationsstudien belegen, dass sowohl die spieltheoretische Kooperation als auch die neugierige Exploration entscheidend für die robuste Leistung bei Tail‑Labels sind. CD‑GTMLL stellt damit einen bedeutenden Fortschritt für skalierbare Multi‑Label‑Klassifikationssysteme dar, die besonders seltene Klassen zuverlässig erkennen müssen.