E2PL: Effektives Prompt‑Lernen für fehlende Multi‑View‑Multi‑Label‑Klassen

In der heutigen Web‑Welt, in der Daten aus unzähligen Quellen zusammengeführt werden, ist die Multi‑View‑Multi‑Label‑Klassifikation (MvMLC) unverzichtbar. In der Praxis stoßen Entwickler jedoch häufig auf zwei große Hindernisse: viele Ansichten fehlen teilweise, und neue Klassen tauchen kontinuierlich auf. Diese Bedingungen erschweren robuste Lernmodelle und machen herkömmliche Ansätze unpraktisch.

Um diese Herausforderungen gezielt anzugehen, definiert die Forschung einen neuen Aufgabenbereich: das „incomplete multi‑view multi‑label class incremental learning“ (IMvMLCIL). Hier müssen Modelle gleichzeitig fehlende Ansichten verarbeiten und sich dynamisch an neue Klassen anpassen.

Die vorgeschlagene Lösung, E2PL, kombiniert zwei innovative Prompt‑Designs. Task‑tailored Prompts ermöglichen eine effiziente Anpassung an neue Klassen, während missing‑aware Prompts die Integration beliebiger fehlender Ansichten erlaubt. Damit deckt E2PL die beiden Kernprobleme ab.

Ein zentrales Problem fehlender Ansichten ist die exponentielle Parameterzunahme. E2PL löst dies mit einem effizienten Prototype‑Tensorization‑Modul, das atomare Tensor‑Decomposition nutzt, um die Prompt‑Parameter von exponentiell auf linear in Bezug auf die Anzahl der Ansichten zu reduzieren. Dadurch bleibt das Modell skalierbar, selbst bei großen Web‑Umgebungen.

Zusätzlich integriert E2PL eine dynamische kontrastive Lernstrategie, die die komplexen Abhängigkeiten zwischen Ansichten und Klassen explizit modelliert. Diese Kombination aus Prompt‑Design, effizienten Tensor‑Reduktion und kontrastivem Lernen macht E2PL zu einem vielversprechenden Ansatz für die nächste Generation von Multi‑View‑Klassifikationssystemen.