宏平均精度提升25%
利用类别层级映射恢复缺失超类标签，并结合预测掩码与在线映射策略应对子类与数据集标签缺失，在弱监督下有效提升多标签心电分类模型的泛化能力。
李钦策 · 刘扬 · 张泽 · Jun, Liu · 袁永峰 · 王宽全 · He, Runnan
Pattern Recognition 2024
利用类别之间的层级关系进行离线类别映射，即使数据集中没有标注超类，也能恢复缺失的超类标签。
预测掩码策略在训练时屏蔽可能缺失的子类标签，避免模型被错误的负样本误导。
在线类别映射动态调整标签空间，整合不同数据集的注释差异，实现多源数据协同训练。
在 PhysioNet/CinC 2020/2021 测试集上，宏平均精度超过基线模型 25% 以上。