带有标签噪音的可信多视图学习
本研究提出了一种新的无监督多视图学习方法,DUA-Nets,通过估计数据不确定性并加权不同视图,以便更好地捕捉动态噪声和提高数据质量,实现了对多种噪声数据的鲁棒性性能提升。
Jan, 2022
提出了一种新的多视角分类方法:可信的多视角分类,该算法动态集成不同视图的证据,以提高分类的可靠性和鲁棒性,通过将来自每个视图的证据参数化为 Dirichlet 分布并与 Dempster-Shafer 理论相结合,构建统一框架来感知和评估样本的分类不确定性。
Feb, 2021
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
研究了在长尾标签分布下标签噪声问题,提出了一种新的原型噪声检测方法及一个鲁棒的框架,该框架通过软伪标签技术和半监督学习算法进一步提高了泛化性能,并且在基准和真实数据集上表现优于现有基线模型,尤其是比 DivideMix 模型测试精度高出 3%。
Aug, 2021
本文提出了一种新的概率多视图学习算法,利用视图间的随机一致性作为正则化,该算法在结构化和非结构化问题上工作,并容易推广到部分一致情况,其中在完全一致情况下,我们的算法最小化每个视图模型之间的 Bhattacharyya 距离,并在几个平面和结构化分类问题上表现优越。
Jun, 2012
该论文提出了一种全新的训练深度神经网络的方法,在标签噪音的情况下拥有高稳健性,通过利用小的可信集合来估计样本权重和伪标签以重复使用它们进行监督训练。该方法在各种类型的标签噪声和大规模真实世界标签噪声数据集上取得了最新的最优表现。
Oct, 2019
本文研究了噪声多标签学习中类相关的转换矩阵的可辨识性,并提出了一种新的估计器,该估计器利用标签相关性而无需锚点或精确拟合噪声类后验概率。通过信息提取纯净标签相关性,并利用这些事件概率暗示的标签相关性的差异,证明了转换矩阵的可辨识性,并通过解决双线性分解问题获得转换矩阵。理论上,我们建立了多标签转换矩阵估计器的估计误差界限,并推导出我们的统计一致算法的泛化误差界限。实验上,我们验证了我们的估计器在估计多标签噪声转换矩阵方面的有效性,从而导致了出色的分类性能。
Sep, 2023
解决冲突是使多视角分类决策更可靠的关键,现有的基于信任的框架无法适应不同视角之间可能出现的冲突,因此我们开发了一种计算信任的折扣方法来增强现有的框架,通过考虑实例级概率敏感的信任折扣机制,对个体视角的预测进行融合以提高可靠性,在真实应用中的六个数据集上验证了我们的方法,使用了 Top-1 准确率、AUC-ROC 用于不确定性感知预测、Fleiss' Kappa 以及考虑了基准真实标签的新指标 Multi-View 一致性,实验结果表明,计算机信任可以有效解决冲突,为更可靠的多视角分类模型铺平了道路。
Jun, 2024
本文重点研究在含有噪声标签的长尾多标签视觉数据中如何降噪,提出了一种 Stitch-Up 数据增强方法和一个 Heterogeneous Co-Learning 框架,实现去噪和更健壮的表征学习。通过两个挑战性基准测试,VOC-MLT-Noise 和 COCO-MLT-Noise,证明了该方法的有效性。
Jul, 2023