研究提出了一种新的元过渡学习策略,基于少量原始数据实现在不需要任何 anchor 点假设的前提下,改善了噪声标签对分类器参数和噪声转移矩阵的影响,并且证明了该方法在正确估计期望过渡矩阵方面具有统计一致性保证,该方法的实验表明其比先前的方法更准确地提取了过渡矩阵,尤其是在大的噪声情况下。
Jun, 2020
本研究提出一种学习时利用标签转移矩阵的方法,通过增加分类器的怀疑性来缓解标签错误纠正问题,并通过引入双头结构实现单个反向传播内每次迭代中高效地估计标签转移矩阵,结果表明该方法具有比现有方法更好的训练效率及相当或更好的准确性。
Nov, 2021
在嘈杂标签学习中,为了开发一致的分类器,估计嘈杂的类别后验概率起着基础性的作用,因为它是估计干净的类别后验概率和过渡矩阵的基础。本文提出了一种增强监督信息与部分级标签相结合的方法,鼓励模型关注和整合来自各个部分的丰富信息以更精确地学习嘈杂的类别后验概率,最终改善分类性能。
May, 2024
本文研究了如何解决多个注释器提供的有噪声的标签的问题,提出了一种同时学习个体注释器模型和真实标签分布的方法,并通过正则化项促进收敛于真实注释器混淆矩阵的方法,在图像分类任务上实验结果表明,该方法能够估计注释器的技能并表现出良好的性能。
Feb, 2019
本文提出了一种基于总变差正则化的弱监督分类方法,不需要依赖于易错的含噪类后验预测,可以同时估计噪声转移矩阵和学习分类器。实验证明该方法在基准和实际数据集上的有效性。
Feb, 2021
本文研究了噪声多标签学习中类相关的转换矩阵的可辨识性,并提出了一种新的估计器,该估计器利用标签相关性而无需锚点或精确拟合噪声类后验概率。通过信息提取纯净标签相关性,并利用这些事件概率暗示的标签相关性的差异,证明了转换矩阵的可辨识性,并通过解决双线性分解问题获得转换矩阵。理论上,我们建立了多标签转换矩阵估计器的估计误差界限,并推导出我们的统计一致算法的泛化误差界限。实验上,我们验证了我们的估计器在估计多标签噪声转换矩阵方面的有效性,从而导致了出色的分类性能。
Sep, 2023
本文提出了一种名为 Matrix Smoothing 的方法,通过使用平滑过的转换矩阵来更新深度神经网络,以控制深度神经网络在概率建模中的过拟合,并在实验中证明了该方法不仅显著提高了概率建模的稳健性,而且甚至获得了更好的转移矩阵估计。
Mar, 2020
本文提出了一种不依赖基准点(anchor points)的端到端框架,通过同时优化两个目标:噪声标签与神经网络预测概率之间的交叉熵损失和转移矩阵列构成的单纯形的体积,识别转移矩阵和提高统计一致性。在基准数据集上的实验结果证明了方法的有效性和鲁棒性。
本文介绍了针对大规模标注数据不可避免存在 label noise 问题时,通过使用 noisy classifiers 算法来提高模型鲁棒性,进而讲解了该算法的理论解释,并提出了一种基于该算法的标签校正方法,结合深度神经网络,成功提升了测试性能。
Nov, 2020
本文提出了一种利用填空式提示来生成标签信号以进行弱监督文本分类的方法,并使用潜变量模型来学习将生成的单词与预定义类别相关联的单词分布学习器和文档分类器,以实现无需标注数据。通过在三个数据集上的评估,表明我们的方法可以比基线方法提高 2%,4%和 3%。
May, 2022