AAAIDec, 2020

超越类别条件假设：解决特定实例噪声标签的初步尝试

PDF
TL;DR该论文提出了一种理论测试，证明现实世界的数据集中的噪声不太可能是类条件噪声，而是实例依赖噪声。研究者们还提出了一种可控的实例依赖噪声生成算法和一种小型算法 SEAL 来应对这种噪声，并在各种噪声分数下表现出色，同时提高了在真实世界噪音基准 Clothing1M 上的泛化能力。
发现论文，激发创造
  • 置信度评分使得基于实例的标签噪音学习成为可能

    本文提出一种基于实例标签置信度的实例依赖噪声的学习方法，实现了针对未知噪声的前向矫正，并通过多个实验验证了其实用性和有效性。

    Jan, 2020

  • 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

  • 基于噪声率估计的样本选择噪声标签学习

    提出一种能够有效提高 SOTA noisy-label learning 方法性能的新噪声标签学习图模型，该模型能够准确估计噪声率并用于训练过程的样本选择阶段。

    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

  • 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

  • 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

  • 大规模图像分类中相关的输入相关标签噪音

    提出一种基于概率模型的方法来对大规模图像分类数据集中的标签噪声进行建模并进行准确性优化，该方法通过在神经网络分类器的最终隐藏层上放置多变量正态分布的潜在变量来建立噪声的协方差矩阵，并且在多个基准测试数据集上表现出显著提高的准确性。

    May, 2021

  • 基于实例和标签相关的标签噪声的二分类

    本文通过理论分析探讨了在样本噪声存在的情况下，仅使用噪声样本能否学习到可靠模型的问题。作者认为，没有额外假设条件的情况下，经验风险最小化可以达到最优风险上限。此外，文章还讨论了 0-1 损失的极小极大下限问题，认为纯使用噪声样本无法学习。

    Jun, 2023

  • 非对称标签噪声下的分类：一致性和最大降噪

    该研究针对训练样本标签随机出错的分类问题，提出一种新的判别方法：通过对杂质标签的最大去噪实现真实类别条件分布的识别，其基础概念是相互不可约的真实类别条件分布，另外，相关实验表明，该方法在标杆数据和核粒子分类问题上具有有效性。

    Mar, 2013

  • 受界实例和标签相关标签噪声的学习

    提出了一种学习算法，该算法能够识别和纠正具有上限的实例和标签依赖性标签噪声（BILN），并证明了在某些条件下，学习基于精简实例的分类器将收敛于贝叶斯最优分类器，该算法在合成和真实数据集上进行了实证评估，并证明了其对 BILN 的鲁棒性和有效性。

    Sep, 2017