提出了一种用于处理不平衡数据集中的噪声标签的简单而有效的方法,该方法基于类平衡的样本选择(CBS),结合置信度的样本增强(CSA),利用模型的训练动态纠正噪声样本的标签,并采用一致性正则化来提升模型性能。综合实验结果表明,我们的方法在不平衡情况下具有良好的效果和优越性。
Feb, 2024
本研究提出了一种基于类别惩罚标签的强有力标准,通过平均预测置信度我们得到了适当的惩罚标签,在各个观察到的标签中达到高值,以强化对数量噪声标记的惩罚。在各种场景中,使用这些标准进行样本选择,相比现有方法,网络的学习过程对噪声标签变得更加稳健。
Jul, 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
本研究提出了一种无标签学习的新方法,将区间估计引入了样本选择过程,以更好地探索未被充分选择的正确标注但看似贴错标签的较大损失数据和代表性差的数据,提高了误标噪声下的学习鲁棒性。
Jun, 2021
利用视觉 - 语言替代模型 CLIP 自动过滤噪声样本,并设计了一种适应性边界损失来规范由 CLIP 引入的选择偏差,从而提供对标签噪声的鲁棒性。在真实和合成噪声数据集上验证了我们提出的方法的有效性。
Oct, 2023
抽样选择、标签噪音、模型更新、选择偏差和语义特征空间是此论文的关键词。该论文提出的方法在各种噪声设置中实现了近 2.53 倍的加速,0.46 倍的峰值内存占用,并具有卓越的鲁棒性。
May, 2024
本文提出了一种新的方法,使用截断的 M 估计器来自适应地选择小损失的样本,并减少噪声标签对其的影响,同时利用丢弃的大损失的样本来帮助泛化,理论上证明了该方法具有容忍标签噪声的特性,经验上,全面的实验结果表明该方法在多种基准模型上表现出色,并且对各种噪声类型和水平具有鲁棒性。
Sep, 2023
该论文提出了一种名为 CurveNet 的曲线感知网络,并采用探测和分配的方法,通过元学习自适应地分配适当的样本权重,以解决深度神经网络中常见的数据偏见和样本不平衡问题,并利用 skip layer meta optimization 方法加速了训练速度,该方法在多项具有挑战性的评估指标上取得了最先进的性能。
Dec, 2021
使用轻量级贝叶斯处理和基于大规模预训练模型的即用型零样本预测器,解决了现实场景中标记错误、重复或有偏差的数据在训练中的问题,提高了模型的训练效率。
Aug, 2023
该论文提出了一种名为 Jo-SRC 的噪声鲁棒方法,结合了样本选择和模型正则化,采用对抗学习的方式训练网络并引入一致性正则化,以提高模型的泛化性能。
Mar, 2021