CVPRMay, 2024

基于局部标签的噪声标签学习中的噪声类后验估计

PDF
TL;DR在嘈杂标签学习中，为了开发一致的分类器，估计嘈杂的类别后验概率起着基础性的作用，因为它是估计干净的类别后验概率和过渡矩阵的基础。本文提出了一种增强监督信息与部分级标签相结合的方法，鼓励模型关注和整合来自各个部分的丰富信息以更精确地学习嘈杂的类别后验概率，最终改善分类性能。
发现论文，激发创造
  • 基于零件的标签噪声：迈向基于实例的标签噪声

    本文针对实例相关标签噪声的学习难题，基于人类认知的分解思想，采用基于部分的标签噪声来近似实例相关标签噪声，通过基于先验的锚点学习过程，结合各部分转移矩阵进行概率近似，得到超越现有方法的实验结果。

    Jun, 2020

  • 从含有噪声的正样本和未标记的数据中估计类别先验和后验

    发展一种分类算法，可从正未标记数据中估计后验分布，对正标记上的噪声具有鲁棒性，对高维数据有效。

    Jun, 2016

  • 通过部分标签先验的隐含判别逼近进行生成式噪声标签学习

    针对学习时标签存在噪声的问题，本研究提出了一种新的生成式噪声标签学习方法，通过直接关联数据和干净标签、使用判别模型隐式估计生成模型、以及借鉴部分标签学习的信息性标签先验，解决了现有方法中的三个问题，实验证明该生成模型在保持计算复杂度与判别模型相似的情况下提供了最先进的结果。

    Aug, 2023

  • 噪声标签下的元迁移适应性强鲁棒深度学习

    研究提出了一种新的元过渡学习策略，基于少量原始数据实现在不需要任何 anchor 点假设的前提下，改善了噪声标签对分类器参数和噪声转移矩阵的影响，并且证明了该方法在正确估计期望过渡矩阵方面具有统计一致性保证，该方法的实验表明其比先前的方法更准确地提取了过渡矩阵，尤其是在大的噪声情况下。

    Jun, 2020

  • 基于半监督两阶段方法的噪声标签学习

    本研究提出了一种应对嘈杂标签的无监督半监督深度神经网络学习框架，通过在噪声图像标注中识别出标签准确度较高的部分数据，并利用半监督学习方式训练深度神经网络以更好地利用整个数据集。

    Feb, 2018

  • 多个噪声部分标注者中学习

    本文提出了一种基于概率生成模型的能够估计多个噪声偏差的部分标注工具并扩展了程序化弱监督的基础，通过对 3 个文本分类和 6 个对象分类任务的评估，证明了部分标注的效果可达到 8.6% 的平均准确率提高，进而探讨了部分标注在零样本对象分类任务中的应用以及与最新零样本学习方法相比的效果。

    Jun, 2021

  • 可证明的端到端标签噪声学习无需锚点

    本文提出了一种不依赖基准点（anchor points）的端到端框架，通过同时优化两个目标：噪声标签与神经网络预测概率之间的交叉熵损失和转移矩阵列构成的单纯形的体积，识别转移矩阵和提高统计一致性。在基准数据集上的实验结果证明了方法的有效性和鲁棒性。

    Feb, 2021

  • Tripartite: 使用更精细的划分解决嘈杂标签问题

    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

  • 掩盖：嘈杂监督的新视角

    本文介绍了一种名为 Masking 的人类辅助方法，利用人类认知无效类转换和自然推断噪声转移矩阵的结构，导出了一个结构感知的概率模型，并解决了结构提取和结构对齐的挑战。Masking 可以显著提高分类器的鲁棒性。

    May, 2018

  • 噪声标签的误差有界修正

    本文介绍了针对大规模标注数据不可避免存在 label noise 问题时，通过使用 noisy classifiers 算法来提高模型鲁棒性，进而讲解了该算法的理论解释，并提出了一种基于该算法的标签校正方法，结合深度神经网络，成功提升了测试性能。

    Nov, 2020