MMOct, 2022

动态分布校准解决实例相关标签噪声问题

PDF
TL;DR本文采用动态分布校准策略来解决与实例相关的标签噪声产生的严重分布偏移问题，提出基于多元高斯分布的平均值和协方差的两种方法来校准偏移后的分布，并在合成标签噪声和真实未知噪声数据集上进行了实验，验证了方法的实用性和有效性。
instance-dependent label noisedynamic distribution-calibration strategymultivariate gaussian distributionmean-based methodcovariance-based method
发现论文，激发创造
  • 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

  • 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

  • 使用标签噪声学习具有鉴别性动态的噪声标签检测

    该论文提出了 DynaCor 框架，通过训练信号的动态来区分正确标记的实例和错误标记的实例，该框架在各种噪声类型和噪声率下显示出超越其他最先进方法的性能和强大的鲁棒性。

    May, 2024

  • 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

  • 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

  • 实例相关损伤下的二元标签学习

    对于数据集存在的任意的基于实例和标签的噪声，本文提出算法来使得能够对数据集进行最优化的分类和排名，同时给出三个关键结果，即对于基于实例的噪声和广泛的基于实例和标签的噪声类，可以在噪声分布上保持一致性，而 Isotron 可以有效地从污染的样本中学习。

    May, 2016

  • 特征空间噪音分布的形状决定标签噪音的鲁棒性

    本论文研究了机器学习中存在的标签噪音问题，提出了一个理论框架来模拟标签噪音分布对分类性能的影响，并发现标签噪音的分布对分类精度有很大的影响，尤其是当噪音集中在特定的特征空间时。此外，论文还探讨了一些解决噪音问题的方法，并发现存在一些困难。

    Jun, 2022

  • 利用对齐集解决实例相关的标签噪声问题

    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