提出了邻域集合估计方法来弥合学习过程中可能产生的噪声标签带来的负面效果,实现清除嘈杂数据中的噪声标签,提取尽可能多的干净样本,从而提高模型性能,并用辅助技术来进一步优化模型。
Aug, 2022
该研究探讨了标签噪声分类器的稳健性,旨在提高模型对复杂实际场景中的噪声数据的抵抗能力,并通过整合对抗机器学习和重要性重新加权技术来解决标签噪声对实际应用的影响。
Dec, 2023
本文介绍了一种简单的方法,通过使用模型的预测结果,找到并重新标记噪声数据,以解决部分手动标记数据质量不高的问题,并在多项深度学习任务中取得 90 分以上的成绩。实验结果和人类评价结果验证了该方法的有效性。
Feb, 2023
本文介绍一种新的噪声鲁棒学习方法,将噪声率估计整合到样本选择方法中,以处理有噪声的数据集,首先根据损失值的分布使用线性回归估计数据集的噪声率,然后根据估计的噪声率排除可能有噪声的样本,并进一步使用稀疏正则化来提高我们的深度学习模型的鲁棒性,实验证明我们的方法在处理具有较大噪声率的数据集时优于其他现有的噪声鲁棒学习方法。
该论文提出了一种基于理论的方法来训练深度神经网络,包括循环网络,使其适用于存在类别相关标签噪声的情况,并提出两种提高模型噪声稳健性的损失函数矫正方法和一种端到端的噪声估计框架并进行了大量实验证明了这个方法的实用性和有效性。
Sep, 2016
通过研究我们发现,在机器学习模型的性能评估中,交叉验证方法会引入分布偏差现象,导致性能评估及超参数优化受到负面影响。为了解决这个问题,我们提出了一个通用的校正分布偏差的交叉验证方法,并通过合成模拟和多个已发布的实验验证结果。
Jun, 2024
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
本文介紹關於使用深度學習算法處理帶有噪聲標籤的問題,針對噪聲建立噪聲模型和使用魯棒損失、正則化等方法建立魯棒算法兩種子群進行了綜述。
Dec, 2019
通过融合伪标记和置信度估计技术,Robust LR 方法成功地改善了数据标签噪声和确认偏差,并在以不同级别合成噪声的 CIFAR 和真实噪声的 Mini-WebVision 和 ANIMAL-10N 三个数据集上实现了最先进的性能。
Dec, 2021
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