- 关系建模与蒸馏用于带噪声标签的学习
通过自我监督学习建模样本之间的关系,并采用知识蒸馏的方法增强对潜在关联的理解,从而缓解模糊标签的影响,该研究提出了一个处理噪声标签的关系建模和蒸馏框架,该框架能够学习具有噪声的数据的判别性表示,并取得比现有方法更优越的性能。
- ICLR基于过渡矩阵的 Dirichlet 分布的逐样本加权方法用于噪声标签学习
利用噪声标签的过渡矩阵来实现分类器或风险的统计一致性已经成为先前研究的焦点,而我们提出了一种新的利用方法,基于重新采样的 RENT,并通过 DWS 框架对其与重新加权方法进行了比较。我们的实验证明,RENT 在各种基准数据集上始终优于其他过 - PLReMix:用伪标签松弛对抗噪音标签的对比度表示学习
我们提出了一种端到端的 PLReMix 框架,通过引入伪标签松弛的对比损失来避免复杂的训练流程,解决了 Contrastive Representation Learning(CRL)与有监督学习的优化冲突,并采用二维高斯混合模型(GMM) - 对抗噪声标签的无偏样本选择
在这篇论文中,我们揭示了现有的样本选择方法在实践中存在的数据和训练偏差问题,并提出了一种鲁棒的网络架构和混合采样策略来解决这些问题,以实现对带有噪声标签的学习任务的准确建模。
- CSOT:面向学习含噪标签的课程和结构感知最优输运
我们提出了一种新的优化输运 (OT) 方法,称为课程和结构感知的优化输运 (CSOT),它同时考虑样本的全局和局部分布结构,构建了一个稳健的去噪和重新标记分配器。通过训练过程,分配器逐步为具有最高置信度的样本分配可靠的标签,这些标签具有全局 - 多人学习补充(LECOMH):将多个评价者和噪声标签学习融入人工智能协作
学习与嘈杂标签、多评人学习、人工智能协作等方法的集成在解决现实世界应用中遇到的不同类型的数据问题和复杂决策过程中取得了显著进展,但同时解决这三个问题的技术尚未得到充分探索。本文通过引入新的基准和创新的多人智能补充学习(LECOMH)方法,填 - 对预训练模型进行微调以提高在有噪标签下的稳健性
在这项研究中,我们的目标是找到一种适用于带有噪声标签数据集的预训练模型微调的合适方法。通过经验分析,我们引入了一种名为 TURN 的新算法,其能够稳健且高效地传递预训练模型的先验知识。该算法包括两个主要步骤:(1)独立调整线性分类器来保护特 - 使用协作样本选择和对比半监督学习来学习带噪标签的内容
利用 CLIP 模型的协作样本选择及预训练,并通过对 prompt 的微调以及协同训练 DNN 分类器,解决在学习有噪声标签的过程中由于样本选择错误累积导致的 DNN 训练偏见和泛化性能问题。
- ICCV迟滞:避免从标错样本中自信学习
提出了一种新的框架 — 后期停止法,通过延长训练过程来利用 DNNs 的内在鲁棒学习能力,逐渐缩小嘈杂数据集并去除高概率错误标记的样本,由此保留了训练集中大部分的清洁困难样本,得到了在标准模拟和真实世界嘈杂数据集上优于现有方法的实验结果。
- 基于通道的对比学习用于噪声标签学习
通过通道对比学习方法,本文提出了一种新的学习方法,用于从嘈杂标签中提取关键特征,辨别真实的类别,并在多个基准数据集上验证了其卓越性能。
- 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 - 从噪声类型角度重新思考真实世界标注场景中的噪声标签学习
通过样本选择,基于 Proto-semi 的噪声标签学习方法在真实世界的注释情景中分别处理了事实噪声和歧义噪声,并利用了原型向量和半监督学习方法来增强训练,实验证明其在处理噪声标签学习问题上的健壮性。
- 发挥正则化策略在具有噪声标签的学习中的潜力
本研究表明,使用交叉熵损失结合常用的正则化策略,如学习率下降、模型权重平均和数据增强等,可以优于最先进的方法,在处理学习噪声标签的挑战时,采用一种正则化策略组合可能比复杂的算法更有效。
- LNL+K: 噪声标签学习与噪声源概率分布知识
本文介绍了一种新的学习任务 —— 带有噪声标签和噪声源分布知识的学习,并探索了几种方法,将噪声源知识整合到最先进的 LNL 方法中,在三个不同的数据集和三种噪声类型上报告了与未经调整的方法相比提高 5-15% 的性能,突出了直接探究 LNL - ACLNoisywikiHow:自然语言处理中用于真实世界噪声标签学习的基准
本研究构建了最大的 NLP 基准 NoisywikiHow,用于学习真实世界中存在噪声标签的情况。该基准数据集通过模拟人类误差构建多个标签噪声来源,并提供多种噪声水平,以支持对含噪数据进行控制实验,并为对学习噪声标签方法(LNL)进行全面系 - CVPR多模式电影高潮检测中基于场景感知的协同噪声标签清洗器
该研究通过 “学习带噪标签” 这种更实用的方法,使用现有的丰富视频数据来检测电影亮点,提出了协作噪声标签清洁器(CLC)框架来利用多模式融合和观察不同模态的损失变化来实现更干净的亮点标签。通过 MovieLights 和 YouTube H - CVPR带有嘈杂标签的细粒度分类
本研究旨在寻找一种有效的解决方法,以应对在细粒度数据集上进行嘈杂标签学习 (LNL-FG) 的挑战,为此,研究人员提出了一种称为随机容限监督对比学习 (SNSCL) 的新框架,旨在通过促进可辨别表达形式来解决标签噪音问题。该方法综合了加权机 - 是否聚合?在带有不同噪声标签下的学习
本文分析了在标签噪声率高或标注者 / 注释数量不足时,标签分离优于标签聚合的情况,并在众包产生的有噪声标签下通过理论分析和实证结果验证了这个结论。
- CVPR可扩展处罚回归用于带有噪声标签的学习中的噪声检测
本研究提出基于理论保证的嘈杂标签检测框架,以检测和去除对于神经网络广义化和鲁棒性有损害的嘈杂数据,实验证明该框架的有效性。
- 标签噪声过渡矩阵的可识别性
本文探讨了学习嘈杂标签所需的噪声转移矩阵的可辨识性,并通过 Kruskal 的可辨识性结果表明,对于一般情况下的实例级别的问题,识别噪声转移矩阵需要多个嘈杂标签的支持,此外,我们还展示了标签噪声转移的实例依赖性与统一的认识之间的联系,并提供