开放式标签噪声可以提高对内在标签噪声的稳健性
本研究提出了一种适用于具有无法识别真实类别的嘈杂标签开放集问题的卷积神经网络(CNN)训练的新的迭代学习框架,包括噪声标签检测和清晰标签的权重设计。经过实验证明,该模型能够在高比例的开放集和闭集噪声标签情况下鲁棒地训练 CNNs。
Mar, 2018
本文提出了一种新的 CECL 对比学习方法,通过将一些 open-set 样本合并入 closed-set 类以提高准确率,同时将其他 open-set 样本作为界限以提高代表性,来处理混合的 label 噪音,取得了优于现有方法的实验效果。
May, 2023
本研究研究了一个新的嘈杂标签问题变形,将开放式和封闭式嘈杂标签结合在一起,并介绍了一个基准评估来评估此设置下训练算法的性能。我们提出了一种新的算法,称为 EvidentialMix,并将其与已有的封闭式和开放式噪声分类算法进行比较。实验结果表明我们的方法产生了优秀的分类结果和更好的特征表示。
Nov, 2020
本文提出了一种新的正则化方法,可应用于现有的卷积神经网络架构中,以提高开放集鲁棒性,实现了最先进的开放集分类基线结果,并轻松扩展到大规模开放集分类问题。
Sep, 2020
在医学图像分类方面,为解决闭集和开放集标签噪音的问题,我们提出了一个扩展噪音鲁棒对比和开放集特征增强(ENCOFA)框架,包括扩展噪音鲁棒有监督对比(ENSC)损失和开放集特征增强(OSFeatAug)模块,针对开放集噪音样本的识别和特征提取问题进行改进,实验结果表明 ENCOFA 在噪音标签处理方面优于传统方法,并有效地利用开放集噪音样本对抗标签噪音。
Jun, 2024
该论文提出了一种基于开集样本和贝叶斯理论的数据重平衡方法,命名为 Open-sampling,它可以提高神经网络的性能和学习可分离的表示,并且在实验中优于现有的数据重平衡方法和最先进的方法。
Jun, 2022
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
本文介绍了一种新型标签噪声类型,称为 BadLabel,旨在增强现有 LNL 算法的鲁棒性,并提出了一种基于对抗性的鲁棒 LNL 方法来解决 BadLabel 的问题,实验证明该方法能有效地提高模型的泛化性能。
May, 2023
基于原型学习的 ROG$_{PL}$ 统一框架用于解决复杂嘈杂图数据中的鲁棒开放集节点分类问题。该框架包括通过标签传播去噪和通过区域学习开放集原型两个模块,以解决噪声引起的类内差异问题和类间混淆问题。
Feb, 2024
本文旨在研究学习包含混合 IND 和 OOD 噪声数据集的分类器和 OOD 检测器,提出了一种名为 Noisy Graph Cleaning (NGC) 的新型基于图的框架,通过利用数据的几何结构和模型预测置信度收集干净样本,并可以在测试阶段直接基于学习到的类原型检测和拒绝 OOD 样本,实验结果表明 NGC 方法在多个测试基准上表现优异。
Aug, 2021