Jun, 2020

基于零件的标签噪声：迈向基于实例的标签噪声

PDF
TL;DR本文针对实例相关标签噪声的学习难题，基于人类认知的分解思想，采用基于部分的标签噪声来近似实例相关标签噪声，通过基于先验的锚点学习过程，结合各部分转移矩阵进行概率近似，得到超越现有方法的实验结果。
instance-dependent label noisepart-dependent label noisetransition matrixanchor pointslearning
发现论文，激发创造
  • 重新思考标签价值：针对实例相关的标签噪声学习

    本文介绍了基于结构因果模型的深度生成模型算法，解决了大规模数据集中存在的标签噪声问题。该算法有效利用了噪声标签的监督信息，并在合成和实际的噪声标签数据集上表现优异。

    May, 2023

  • 基于结构性因果模型的实例相关标签噪声学习

    本文提出了一种利用结构因果模型的生成方法来应对标签噪声的问题，证明了合理地建模示例有助于识别标签噪声转移矩阵，从而带来更好的分类器，该方法在合成和真实世界的标签噪声数据集上均优于所有最先进的方法。

    Sep, 2021

  • 基于二阶方法的实例相关标签噪声学习

    该研究提出一种二阶方法来处理深度神经网络训练中的标签噪音问题，使用此方法可以解决由任务难度引起的实例相关的噪音，提供一个新的损失函数来处理实例相关噪音，进而能够使用已有的类相关噪音的解决方案来处理该问题。

    Dec, 2020

  • 标签噪声过渡矩阵的可识别性

    本文探讨了学习嘈杂标签所需的噪声转移矩阵的可辨识性，并通过 Kruskal 的可辨识性结果表明，对于一般情况下的实例级别的问题，识别噪声转移矩阵需要多个嘈杂标签的支持，此外，我们还展示了标签噪声转移的实例依赖性与统一的认识之间的联系，并提供了实证证据。

    Feb, 2022

  • 流形正则化过渡矩阵估计下的实例相关标签噪声学习

    研究了标签噪声学习问题中的转移矩阵估计，基于人类任务标注时更加倾向于将外观相似的实例标注为同一类别的心理学和生理学证据，提出了 T（x）几何形状的假设，并利用流形嵌入技术来有效地减少了其自由度并使其在实践中稳定可估计。实验结果表明，该方法在处理具有挑战性 IDN 数据时优于现有方法。

    Jun, 2022

  • 基于局部标签的噪声标签学习中的噪声类后验估计

    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

  • 依赖特征的标记噪声学习：一种渐进式方法

    本文提出了一个基于特征依赖的标签噪声处理算法，该算法采用渐进式标签校正策略，通过理论证明其可以适应广泛的噪声模式并收敛于贝叶斯分类器，实验证明其优于 SOTA 基线算法且对各种噪声类型和程度具有鲁棒性。

    Mar, 2021

  • 基于注释者和样本相关的转移矩阵迁移学习

    该研究提出了一种使用深度神经网络建模实例和注释者依赖的标签噪声转移矩阵的方法，通过知识转移和校准来缓解挑战，确认了其在合成和真实世界的众包数据上的卓越性能。

    Jun, 2023

  • 利用对齐集解决实例相关的标签噪声问题

    我们提出了一种针对存在实例相关标签噪声的两阶段方法，利用锚定点取得了判别性能的显著改进，同时减轻了偏差。

    Jul, 2023

  • 可证明的端到端标签噪声学习无需锚点

    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。

    Feb, 2021