Jul, 2023

带噪标记数据的音乐源分离假标签的自校正

PDF
TL;DR音乐源分离面临标记正确的独立乐器音轨受限的挑战，文章引入了一种自动化技术来改进部分标签错误的数据集，并表明利用改进后的数据集进行训练可以获得与干净标签数据集相当的结果。
music source separationautomated techniquenoisy-labeled datasetself-refininginstrument recognition
发现论文，激发创造
  • 弱监督下元自我完善的鲁棒性学习

    该研究论文提出了 Meta Self-Refinement (MSR) 框架，用于有效地应对来自弱监督源的噪声标签，从而训练出噪声鲁棒性较强的深度神经网络模型。在八个自然语言处理基准测试中广泛实验，证明 MSR 在所有设置下都能够抵抗噪声，并且在准确率和 F1 分数上优于现有技术最多 11.4% 和 9.26%。

    May, 2022

  • 滤波和进化：半监督自动语音识别的渐进式伪标签精炼

    本文研究使用伪标签微调自监督预训练模型的方法，提出通过平均概率分数过滤低质量的伪标签，挑选高可信性训练数据，迭代更新模型纠正不可靠的伪标签并去除噪声标签的策略，以提高语音识别性能。实验结果表明，该方法在 LibriSpeech 上具有良好表现。

    Oct, 2022

  • 基于半监督两阶段方法的噪声标签学习

    本研究提出了一种应对嘈杂标签的无监督半监督深度神经网络学习框架，通过在噪声图像标注中识别出标签准确度较高的部分数据，并利用半监督学习方式训练深度神经网络以更好地利用整个数据集。

    Feb, 2018

  • 自监督噪声标签学习用于无源无监督领域自适应

    本文从噪声标签学习的角度解决了无监督领域自适应中源数据不可用的问题，提出了一种自监督噪声标签学习方法，通过对预测的噪声标签和自生成标签的有效集成，可以轻松地实现对预训练模型的微调，并取得了领先其他方法的最新成果。

    Feb, 2021

  • 利用多代聚类达成一致的方式完善伪标签，用于无监督物体重识别

    该研究采用聚类共识和时序集成伪标签的方法，旨在解决伪标签噪声的问题，提升无监督物体识别方法的准确率。实验证实，该方法在 MSMT17 数据集上取得了最高 8.8% 的平均精度提升。

    Jun, 2021

  • 从含有噪声标签的数据中学习如何学习

    本文提出一种噪声容忍的训练算法，其中在传统梯度更新之前进行元学习更新来模拟实际训练。通过生成合成噪声标签进行训练，该元学习方法训练模型，以便在使用每个设置的合成噪声标签进行一次梯度更新后，模型不会过度拟合特定的噪声，从而提高深度神经网络的性能。

    Dec, 2018

  • 数据中心机器学习的重新标记方法

    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

  • 增量元自学习的半监督关系抽取

    本文提出了一种名为 MetaSRE 的方法，通过生成质量评估对伪标签进行元学习来降低噪声，同时采用伪标签选择和利用方案，仅以自我训练的方式利用高质量伪标签逐步增加标记样本以提高鲁棒性和准确性。在两个公共数据集上的实验结果表明了所提出方法的有效性。

    Oct, 2020

  • 学习中的确认偏见问题：以标签噪声为手段进行打击

    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

  • 元学习软标签校正器学习去噪标签

    本文提出了一种基于元学习方法的元 - 梯度下降模型，可自适应地根据当前的训练问题迭代地获取校正后的软标签，无需手动预设超参数，从而解决了深度神经网络容易过度拟合含有噪声标签的训练数据的问题。

    Aug, 2020