本文提出了一种基于 T-Revision 方法的学习方法,该方法可以在没有锚点的情况下有效地学习过渡矩阵,从而生成更好的分类器,实验结果表明,该方法优于当前最先进的标签噪声学习方法。
Jun, 2019
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
本文提出了一种信息理论方法来降低低质量特征的影响,用于识别和估计标签噪声转移矩阵,从而改进了噪声转移矩阵的估计,作者在多个任务下验证了该方法的必要性和有效性。
Feb, 2022
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。
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
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。
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
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