Oct, 2021

有噪声标签的学习再探讨：使用真实世界人类注释的研究

HTML
PDF
TL;DR本论文介绍了两个基准数据集CIFAR-10N和CIFAR-100N，使用这些数据集可以更好地理解真实世界嘈杂标签和合理地处理它们，量化和定性显示真实世界嘈杂标签表现出依赖于实例模式，与传统的基于类假设和合成标签的模式不同。并且，还通过与人工噪声和类依赖的合成噪声的对比研究，研究了记忆正确和错误预测的情况，从而表明真实世界的噪声模式比合成噪声模式更具挑战性，需要重新考虑带噪标签的学习问题。
发现论文，激发创造
  • 基于零件的标签噪声: 迈向基于实例的标签噪声

    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。

    Jun, 2020

  • 深度神经网络中的噪声标签学习：综述

    本文综述了深度学习中标签噪声的学习问题，提供了62种最新的鲁棒训练方法，并系统性比较了六个评估指标。同时，分析了噪声估计率和评估方法，并提出了未来的几个研究方向。

    Jul, 2020

  • 超越类别条件假设：解决特定实例噪声标签的初步尝试

    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。

    Dec, 2020

  • 分析逼真嘈杂标签数据的噪声模型误差

    本文通过研究嘈杂标注的误差建模，提出了一种理论上的噪声模型误差估计方法，并提供了用于评估不同噪声级别的NoisyNER数据集，这一研究旨在探索影响噪声模型估计的因素，包括噪声分布和抽样技术。

    Jan, 2021

  • NoisywikiHow：自然语言处理中用于真实世界噪声标签学习的基准

    本研究构建了最大的NLP基准NoisywikiHow，用于学习真实世界中存在噪声标签的情况。该基准数据集通过模拟人类误差构建多个标签噪声来源，并提供多种噪声水平，以支持对含噪数据进行控制实验，并为对学习噪声标签方法（LNL）进行全面系统地评估提供了可能。

    May, 2023

  • 从噪声类型角度重新思考真实世界标注场景中的噪声标签学习

    通过样本选择，基于Proto-semi的噪声标签学习方法在真实世界的注释情景中分别处理了事实噪声和歧义噪声，并利用了原型向量和半监督学习方法来增强训练，实验证明其在处理噪声标签学习问题上的健壮性。

    Jul, 2023

  • 生成真实标签：用于标签噪声研究的合成数据

    提出了SYNLABEL框架，用于改进标签噪声研究，并允许创建一个无噪声的数据集，以用作干净的基准，并能注入和量化标签噪声。

    Sep, 2023

  • 分类中的噪音标签处理：一项调查

    对于计算机视觉任务尤其是图像分类任务，本综述全面回顾了应对噪声标签的不同深度学习方法的演变，研究了不同的噪声模式，并提出了一种由现实世界数据引导的算法来生成合成标签噪声模式，以形成一个新的以真实世界数据为指导的合成基准，并在该基准上评估了一些典型的噪声鲁棒方法。

    Apr, 2024

  • NoisyAG-News：应对文本分类中的实例相关噪音的基准

    通过与合成噪声相比较，我们构建了一个现实世界中实例依赖的噪声数据集，并通过预训练语言模型和噪声处理技术的实验，发现了在文本分类中真实噪声模式带来的挑战。我们希望NoisyAG-News能促进对于学习噪声标签的未来解决方案的开发和评估。

    Jul, 2024

  • 基于锚点幻像和难例标签校正的实例依赖噪声标签学习

    使用易样本辅助选择难样本进行标签纠正从而实现去噪标签学习，并且在Instance-Dependent噪声数据集上展示出比其他最先进方法更出色的性能。

    Jul, 2024