ICCVOct, 2021

通过免费标签提高鲁棒性的干扰标签监督

PDF
TL;DR本研究提出了一种 “Nuisance-label Supervision (NLS)” 模型，旨在使模型更加稳健来应对干扰因素变化，数据实验表明，通过显式监督模型，可以使所提取的特征不再依赖于干扰因素，并通过数据增强和合成数据等方式获得干扰标签，对于图像破损和外观改变的动作识别具有一致的改善稳健性能。
nuisance-label supervisionrobustnessnuisance factorsnuisance labelsaction recognition
发现论文，激发创造
  • 不变表示学习的特征发现与分离

    提出了一种用于训练神经网络的框架，以识别和区分数据的预测和负面因素，并通过学习消除负面因素，从而实现对负面因素的不变性，从而实现对负面因素的不变性，并通过信息论框架和推导出的训练目标，实现了最先进的性能。

    Dec, 2019

  • 对抗噪声标签的稳健特征学习

    This paper proposes a method to improve the robustness of deep learning models in the presence of noisy labels by utilizing unsupervised learning and cluster regularization.

    Jul, 2023

  • 似然自由推断中的噪声参数分类和广义标签转移

    我们提出了一种新的方法用于稳健的不确定性量化，将分类问题视为在干扰参数下的假设检验问题，通过估计分类器在整个干扰参数空间上的接收器操作特性（ROC），我们能够设计在广义标签偏移下不变的截断点，从而有效赋予预训练分类器领域适应能力，并返回有效的预测集合同时保持高度的分类性能。

    Feb, 2024

  • BadLabel: 评估和增强标签噪音学习的强健视角

    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

  • 通过噪声建模实现文本分类标签噪声的鲁棒性

    该论文研究了 NLP 中文本分类的标签噪声问题，提出了一种基于 beta 混合模型的辅助噪声模型，通过此模型可以减轻标签噪声对分类器的影响，提高分类准确率并防止过度拟合。

    Jan, 2021

  • 资源有限条件下的活动标签清洗，以提高数据集质量

    本文提出一种基于数据驱动的主动标签清理方法来解决数据注释中的标签噪音问题，通过对样本进行优先级排序，提高数据集质量，具有较好的可行性和高效性。

    Sep, 2021

  • 通过分离已知和未知的干扰因素进行弱监督不变表示学习

    提出了一种弱监督信号和对比方法相结合的框架来同时学习解缠和不变表示，实验证明该方法在四个标准基准上均优于现有最先进方法，且无需对抗训练即具有更好的对抗防御能力。

    Sep, 2022

  • 统一的对抗不变性

    本文提出了一种统一的不变性框架，可用于训练神经网络，从而使其在不使用任何附带标注的同时将数据的无关因素与数据相互独立，但也可以使用关于有偏因素的标记信息，强制将其从潜在嵌入中去除以实现公平预测。该模型在不使用标记信息的情况下优于先前的工作，并在公平性设置中实现了学习自由因素的最新性能。

    May, 2019

  • 使用自助法训练带有噪声标签的深度神经网络

    该研究提出了一种通用的方法来处理噪声和不完整标记，通过增强具有一致性概念的预测目标，实现相似感知的相同预测。在多个数据集上的实验表明，该方法可以显著提高模型的标签鲁棒性和识别准确率，同时对未标记面部图像也有较好的效果。

    Dec, 2014

  • 一种基准生成式概率模型用于弱监督学习

    本研究提出了基于生成模型的自动标注方法，通过弱监督学习去减轻手动标注的负担，取得了比现有方法更好的性能表现，提高了机器学习项目的生产效率。

    Mar, 2023