AAAIDec, 2023

增强的噪声标签学习的自适应部分标签学习和负样本学习集成

PDF
TL;DR通过集成部分标签学习和负向学习来革新嘈杂标签学习，通过自适应地将标签空间分解为候选标签和补充标签，并引入困难清晰度和软清晰度两种适应性数据驱动的标签模糊辨别范式来提高模型的鲁棒性，并通过一致性正则化术语维持标签可靠性。与其他最先进方法相比，NPN 表现出了优越性能。
noisy label learningpartial label learningnegative learningcandidate labelscomplementary labels
发现论文，激发创造
  • 网络协作逐步消除歧义的局部标签学习

    本文提出了一种名为网络协作与逐层消歧 (NCPD) 的新方法，针对存在歧义标注信息的部分标签学习问题进行模型训练，其中采用了逐步消歧策略，弱化了复杂实例带来的误差累积问题，并利用协作的人工神经网络实现更好的性能。实验结果表明，该方法优于现有的同类算法。

    Feb, 2020

  • 互补分类器引导的部分标签学习

    本文提出了一种基于对抗性学习与动态图的补充分类器方法，用于消除部分标签学习中假阳性标签的影响，并充分调查了补充标签集的有效性。实验表明，该方法在 4 个受控 UCI 数据集和 6 个真实世界数据集上具有优越性，并揭示了补充学习在部分标签学习中的实用性。

    May, 2023

  • IRNet: 迭代细化网络用于噪声部分标签学习

    本文提出了一种名为 “Iterative Refinement Network” 的新型框架，旨在加强部分标签学习 (PLL) 中嘈杂样本的纠正，通过嘈杂样本检测和标签修正两个关键模块，确保框架的性能，将噪声 PLL 转换为传统 PLL，实验结果表明 IRNet 在噪声 PLL 上优于现有的最先进方法。

    Nov, 2022

  • 噪声标签下的联合负样本和正样本学习

    本文介绍了一种新颖的基于联合消极和积极学习的方法 (JNPL)，该方法通过两个损失函数 (NL + 和 PL+) 对 CNN 进行训练，并通过简化 pipeline 过程实现对带有噪声标签的数据的高效分类任务。

    Apr, 2021

  • NLNL: 噪声标签的负学习

    本文提出了一种名为 “SelNLPL” 的优化 CNNs 训练方法，在使用负训练法（NL）的基础上，选择性地使用正训练法（PL）来训练低噪声数据，从而实现对有噪声数据分类的准确性优化。

    Aug, 2019

  • 与合作伙伴的部分标签学习

    本文介绍了在部分标签学习中引入了一种新的合作分类器和 "相互监督" 范式，以帮助现有的部分标签学习方法识别和纠正错误标记的样本，并通过模糊机制来防止对特定标签的过度自信，从而显著提高了多种经典和基于深度学习的部分标签学习方法的性能和消歧能力。

    Dec, 2023

  • 学习加噪标签用于鲁棒性点云分割

    本文提出了一种基于点噪声自适应学习（PNAL）框架的点云分割算法，包括一种基于历史预测的可靠标签点选择和一种投票策略的集群微调方法，有效解决了一些实际场景中存在的标签噪声问题。

    Jul, 2021

  • 图形部分标签学习与潜在原因发现

    我们提出了一种新颖的图表示学习方法，使得图神经网络模型能够在部分标记学习的背景下有效地学习有区别的信息，通过融入辅助训练和潜在因果提取，我们的方法可以过滤掉标签中的噪声，理论分析和实验证明了我们方法的优越性。

    Mar, 2024

  • 少样本部分标签学习

    本研究提出了一种基于适应距离度量学习和样本特征的 Few-shot PLL 方法，通过学习多类别分类器，从过度标注的样本中训练生成去噪的分类器用于不精确标记的学习。实验结果表明在使用少量数据集的情况下，FsPLL 可以优于现有最先进的方法并快速适应新任务。

    Jun, 2021

  • 基于实例依赖的部分标签学习

    本文提出了一种基于标签增强的偏标签学习方法，该方法针对实例相关性的标签进行了建模，并将标签分布作为标签增强过程的核心信息，以较高的精度训练了预测模型。

    Oct, 2021