Nov, 2023

连接噪声建模与提升噪声检测的统一框架

PDF
TL;DR噪声标签学习的研究中，噪声建模和噪声检测是两种常见方法，但这两种方法通常独立研究，缺乏对它们的协作研究。本文探讨了这两种方法的整合，提出了一个互联结构，包括噪声建模、源知识识别和使用噪声源知识整合方法的增强噪声检测的关键模块。在包括三种类型的噪声和各个模块的不同组合的四个数据集上的实验证明了这些模块的协作有效性。我们的协作结构方法在合成噪声数据集中提高了高达 10% 的 top-1 分类准确率，在真实世界的噪声数据集中提高了 3-5% 的准确率。结果还表明，这些模块在不同噪声场景中对整体性能有不同的贡献。这些发现为将来设计针对特定噪声场景定制的噪声标签学习方法提供了有价值的见解。我们的代码对公众开放可访问。
noisy labelslearningnoise modelingnoise detectioncollaboration
发现论文，激发创造
  • 基于课程学习的模型无关网络推断增强从噪声测量中

    我们提出了一个优雅而高效的框架，通过结合课程学习来增强噪声存在下网络推断模型的性能，该框架能够适用于多种基于模型和不基于模型的网络推断方法，并在合成和真实网络中进行了广泛的实验验证。

    Sep, 2023

  • 噪声鲁棒图像分类的协同网络学习和标签纠正

    提出了一个深度学习神经网络的标签检查和修正方法，该方法结合了小损失选择和噪声校正的思想，采用两个不同的网络来通过小损失选择方法训练，并根据两网络的分类误差和同意误差的评估来度量训练数据的置信度，在真实和人工数据集上测试表明该方法优于基准方法。

    Feb, 2022

  • 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

  • 训练深度判别神经网络对抗标签噪声的鲁棒性

    该论文提出了一种基于无标签干扰数据集训练深度卷积神经网络的新型框架，并使用一个无向图模型来描述干净和嘈杂标签之间的关系，在监督学习过程中学习这个模型。该模型在图像标注问题上应用，并在 CIFAR-10 和 MS COCO 数据集上展示出有效的标注效果和在训练中实现了减少标签噪声的效果。

    May, 2017

  • 基于自动噪声检测的实体链接远程学习

    本文介绍了一种在没有标记数据的情况下，通过多实例学习和噪声检测的方法，学习从知识库中链接提及的实体，特别是对于科学领域等标记信息有限的领域。

    May, 2019

  • 无需清洗图像的逼真相机噪声建模 - Noise2NoiseFlow

    该论文提出了一个框架，通过仅依赖噪声图像对而不是噪声 / 清洁图像对，同时训练噪声模型和降噪器，应用于 Noise Flow 架构的训练。结果表明，该框架在噪声合成和密度估计方面优于先前的基于信号处理的噪声模型，并且与其受监督的对手相当，训练的降噪器也被证明显着改进了监督和无监督基线降噪方法，这表明降噪器和噪声模型的联合训练可以显著提高降噪器的性能。

    Jun, 2022

  • 面向具有噪声标注的抗噪声目标检测

    本文提出了一种训练目标检测器的框架，该框架可以处理含有混合标签噪声和边界框噪声的嘈杂标注数据，并通过交替噪声校正和模型训练来共同优化目标标签、边界框坐标和模型参数，其方法通过执行两个步骤来分离标签噪声和边界框噪声，并在 PASCAL VOC 和 MS-COCO 数据集上获得了良好的实验效果。

    Mar, 2020

  • 说话人识别中的噪声标签检测

    本文探讨了深度神经网络在标注质量和数据量方面的要求，提出了两种基于排名的噪声标签检测方法，并比较了不同噪声情况下常用度量学习损失函数的有效性。该方法能够有效地清理大规模发言者识别数据集。

    Dec, 2022

  • 关于深度融合模型中单源健壮性的研究

    本文研究学习融合算法，通过设计深度融合模型的损失函数及相应的训练算法以及简单的卷积融合层，提高了 3D 物体检测器在应对单一数据源噪声方面的鲁棒性。

    Jun, 2019

  • 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