使用self-ensemble标签过滤方法对深度神经网络在噪声标签下的学习进行改进,通过逐渐过滤错误标签来提高任务性能,同时在无监督损失中利用这些数据进行半监督学习,并在不同的数据集和噪声比率下优于以前所有的噪声感知学习。
Oct, 2019
本文综述了深度学习中标签噪声的学习问题,提供了62种最新的鲁棒训练方法,并系统性比较了六个评估指标。同时,分析了噪声估计率和评估方法,并提出了未来的几个研究方向。
Jul, 2020
本文提出 CORES^2(COnfidence REgularized Sample Sieve)滤除具有实例依赖标签噪声的数据集中的错误标签样本,实现不需要确定噪声比率,可显著提高DNN模型的性能和训练效率。
Oct, 2020
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
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
提出了一种从更加数据中心的视角出发的培训自由的解决方法,以检测标签上的错误。通过邻域信息,提出了基于本地投票和基于排名的方法,从而在合成和实际噪声标签上进行实验证明了该方法的可行性和有效性。
Oct, 2021
本文提出了一个名为Tripartite的解决方案,用于从大规模数据集中更精确地分离出硬标签、噪声标签和清洁标签,并采用低权重学习和自监督学习两种方式来最小化噪声标签的危害并最大化其数据价值,实验证明Tripartite能更精确地过滤噪声标签数据,并在五个基准数据集上优于大多数现有方法,尤其是在现实世界中的数据集上。
Feb, 2022
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
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
使用易样本辅助选择难样本进行标签纠正从而实现去噪标签学习,并且在Instance-Dependent噪声数据集上展示出比其他最先进方法更出色的性能。
Jul, 2024