Aprendizaje Multi-etiqueta

El aprendizaje multi-etiqueta (multi-label learning) estudia los problemas en los que cada ejemplo puede recibir varias etiquetas a la vez. La diferencia con la clasificación multiclase es esencial: en multiclase el modelo elige una sola categoría entre varias mutuamente excluyentes —una foto muestra un gato o un perro—, mientras que en multi-etiqueta las categorías conviven: una misma noticia puede tratar de economía, tecnología y regulación, y una misma imagen puede contener playa, personas y atardecer.

La representación estándar es un vector binario de etiquetas: cada posición vale 1 si la etiqueta aplica al ejemplo y 0 si no. Es la formalización que adopta el survey de referencia del campo, el de Min-Ling Zhang y Zhi-Hua Zhou en IEEE Transactions on Knowledge and Data Engineering (2014).

Cómo se aborda

La estrategia más directa es Binary Relevance: entrenar un clasificador binario independiente por cada etiqueta. A veces se despacha como técnica superada, pero sigue siendo la línea base del campo y en muchos problemas resulta competitiva y perfectamente adecuada, como documenta la revisión de Zhang, Li, Liu y Geng en Frontiers of Computer Science (2018). Su límite real es que no modela dependencias entre etiquetas: si playa hace más probable atardecer, no puede aprovecharlo.

Para capturar esas dependencias, las Classifier Chains de Read, Pfahringer, Holmes y Frank (Machine Learning, 2011) encadenan clasificadores binarios pasando a cada uno las predicciones de los anteriores; ese mismo trabajo mostró que los métodos basados en relevancia binaria escalan a datos grandes con alto rendimiento. Label Powerset, recogido en el panorama de Tsoumakas y Katakis (2007), trata cada combinación de etiquetas observada como una clase de un problema multiclase: capta dependencias, pero el número de combinaciones crece rápido. Y los métodos adaptados modifican el algoritmo en lugar del problema: árboles, vecinos más cercanos o redes neuronales con salida multi-etiqueta. La práctica dominante hoy es esta última vía: una red —a menudo un transformer— con una salida sigmoide por etiqueta.

Cómo se mide

Ninguna métrica cuenta toda la historia por sí sola. La Hamming loss mide la fracción de etiquetas individuales mal predichas, promediada sobre ejemplos y etiquetas: perdona los errores parciales. La subset accuracy o exact match solo puntúa cuando el conjunto predicho coincide exactamente con el real; es la más exigente. El F1 se promedia de dos formas: micro, que agrega aciertos y fallos de todas las etiquetas antes de calcular y pesa más las frecuentes, y macro, que promedia el F1 de cada etiqueta por igual y visibiliza las raras.

Hay además una pieza que suele olvidarse: los umbrales de decisión. El modelo produce una probabilidad por etiqueta, y decidir cuáles se activan exige fijar un umbral: 0,5 por defecto, ajustable global o por etiqueta según la métrica a optimizar. El umbral forma parte del sistema tanto como los pesos de la red.

Dónde se usa hoy

Sus terrenos clásicos son el etiquetado de textos e imágenes y la genómica funcional, donde una misma proteína puede desempeñar varias funciones bioquímicas. La frontera actual es la clasificación extrema multi-etiqueta (XMLC), con espacios de cientos de miles o millones de etiquetas, como el etiquetado de Wikipedia o la recomendación de productos; sistemas como X-Transformer, de Chang y colaboradores (KDD, 2020), mostraron cómo ajustar transformers a espacios de medio millón de etiquetas. Quedan frentes sin resolver: las etiquetas de cola larga con muy pocos ejemplos, la calibración de umbrales a esa escala y el modelado de dependencias cuando las etiquetas se cuentan por millones.