Jun, 2020

Class2Simi: 从噪声降噪的角度看待带有噪声标签的学习

PDF
TL;DR本文提出了一种叫做 Class2Simi 的框架，通过将带有噪声类标签的数据点转化为带有噪声相似性标签的数据对，在这个转化过程中理论上有噪声率的降低，从而更容易处理带有噪声相似性标签的情况，并验证其效果。
learningnoisy labelspairwise mannerssupervised metric learningunsupervised contrastive learning
发现论文，激发创造
  • 噪声标签学习的成对相似度分布聚类

    通过对样本进行简单而有效的选择算法，我们将训练样本划分为一个干净集和一个带噪声集，使用高斯混合模型来建模相似样本对的相似度分布，从而能够更可靠地判断各个样本的标签置信度，并在各种基准数据集上展示了超越现有方法的显著改进。

    Apr, 2024

  • 利用邻域一致性进行含噪标签学习

    该研究介绍了一种利用特征空间中训练样例的相似性，鼓励每个样例预测与其最近邻居相似的学习方法，用于从带有噪声标签的数据中学习，并且在多个数据集上展现出良好的分类精度。

    Feb, 2022

  • SimPLE: 特征相似的伪标签利用用于半监督分类

    本文提出了基于 Pair Loss 和 MixMatch 技术的 SimPLE 算法，通过挖掘标记和未标记数据之间的关系，显著提升了 CIFAR-100 和 Mini-ImageNet 上的性能，并在 CIFAR-10 和 SVHN 上达到了最新方法的水平。此外，SimPLE 算法还在迁移学习设置中优于预训练模型。

    Mar, 2021

  • 利用两两类相似性的自适应可验证训练

    利用聚类方法寻找类似度高的类别，并基于其特征对分类器设置鲁棒性，以此提升鲁棒性训练的性能，同时在 Fashion-MNIST 和 CIFAR10 中分别提高准确率 9.63% 和 30.89%。

    Dec, 2020

  • 使用软标签的合成样本减轻噪声监督

    通过使用混合模型从局部损失分布学习样本权重，我们提出了一种利用合成样本训练模型的框架来减轻噪音标签影响，并通过逐渐修正噪音标签估计软目标，得到了更为准确的近似真实标签和更加独立和清晰界定的聚类，实验证明我们的方法在两个基准数据集 (CIFAR-10 和 CIFAR-100) 及两个大规模真实世界数据集 (Clothing1M 和 Webvision) 上优于现有技术方法且具备可靠的学习表达能力。

    Jun, 2024

  • 标签相似性课程学习

    本文研究课程学习方法，通过改变标签表示来调整损失函数，提高深度学习模型的训练效果，在多个数据集上进行了实验验证。

    Nov, 2019

  • 基于半监督两阶段方法的噪声标签学习

    本研究提出了一种应对嘈杂标签的无监督半监督深度神经网络学习框架，通过在噪声图像标注中识别出标签准确度较高的部分数据，并利用半监督学习方式训练深度神经网络以更好地利用整个数据集。

    Feb, 2018

  • 从不成对嘈杂数据中学习降噪的 Noisier2Noise

    本论文提出了训练神经网络进行图像去噪的方法，该方法无需干净训练数据或带噪训练数据。该方法仅需要每个训练样本的单个噪声实现和噪声分布的统计模型，并适用于各种噪声模型，包括具有空间结构的噪声。该模型的表现与需要更多训练数据的其他学习方法相当，且优于传统非学习去噪方法。本文提出了我们的方法对于任意加性噪声的推导，对于特定的高斯加性噪声的改进，以及对于乘性伯努利噪声的扩展。

    Oct, 2019

  • RoLNiP: 使用有噪声的配对比较进行鲁棒学习

    提出了一种学习噪声配对比较的强健方法，该方法根据损失函数提出了充分条件，使得风险最小化框架在类似数据中噪声强度变大情况下保持强健性，并通过提供估算噪声率的方法来解决条件噪声的情况，并最终实现学习强健分类器的端到端方法。

    Mar, 2023

  • 从含有噪声标签的数据中学习如何学习

    本文提出一种噪声容忍的训练算法，其中在传统梯度更新之前进行元学习更新来模拟实际训练。通过生成合成噪声标签进行训练，该元学习方法训练模型，以便在使用每个设置的合成噪声标签进行一次梯度更新后，模型不会过度拟合特定的噪声，从而提高深度神经网络的性能。

    Dec, 2018