本文讨论了分类的弱监督学习问题，在这种情况下，给出了由某些标签损坏过程产生的弱标签的情况。目标是得出条件，在这种条件下弱标签学习的损失函数是适当的且较低的-这是类别概率估计中使用的损失的两个基本要求。为此，我们导出了在监督学习中适当损失的表示定理，这使Savage表示双重化。我们使用该定理来表征适当的弱标签损失，并为它们的下界找到条件。根据这些理论发现，我们得出了一种称为广义logit压缩的新颖正则化方案，该方案使任何适当的弱标签丢失都从下面限制，而不会失去正确性。此外，我们通过实验证明了与不适当或无限制的损失相比，我们提出的方法的有效性。这些结果突出了正确性和低界限性的重要性。该代码可在https://github.com/yoshum/lower-bounded-proper-losses上公开获得。



"点击查看英文标题和摘要"