loss correction | BriefGPT - AI 论文速递

关键词loss correction

搜索结果 - 7

探索决策树对标签噪声的鲁棒性的损失设计技术
本研究探索了如何利用深度学习中的损失设计思路来提高决策树的鲁棒性，发现传统的损失修正和对称损失方法并不有效，指出需要探索其他方向来改善决策树对标签噪声的鲁棒性。
PDFa month ago
带负采样校正的对比学习
提出了一种名为 Positive-Unlabeled Contrastive Learning（PUCL）的新型对比学习方法，通过将负样本视为无标签样本，并利用正样本信息来修正对比损失，从而纠正了负采样偏差并提高了性能。
PDF6 months ago
学习在噪声干扰下的一般性框架：标签干扰、属性干扰及其它
本文通过马尔科夫核心框架对数据集水平下的数据污染模式进行了形式化分析，展示了标签和属性上存在复杂数据污染的影响，同时通过分析 Bayes 风险的变化，论述了这些污染对于标准监督学习的影响，为今后的定量比较提供了基础。
PDFa year ago
CVPR元校正：基于领域感知的无监督语义分割领域自适应元损失校正
本研究提出了一种基于元学习的元矫正框架，在无标记目标域上进行语义分割模型的无监督域自适应。通过噪声转移矩阵来模拟目标域伪标签噪声分布，建立元数据集来估计噪声转移矩阵，进而进行噪声矫正以增强模型对目标数据的泛化能力。实验结果表明该方法在三个基
PDF3 years ago
ICLR学习带有噪声标签的图神经网络
本文研究了 GNNs 在对称标签噪声下的鲁棒性，将非线性神经信息传递模型（例如图同构网络，GraphSAGE 等）与损失校正方法相结合，提出了一种容忍噪声的方法来解决图分类任务，在人工对称嘈杂环境中可以提高测试准确性。
PDF5 years ago
使用可信数据训练深度网络处理被严重噪声污染的标签
本文提出了一种在深度神经网络分类器中使用有信任子集数据以及基于损失修正技术的方法，大大提高了分类器对标签噪声的鲁棒性。实验结果表明，该方法在视觉和自然语言处理任务中均取得了较好的性能表现。
PDF6 years ago
CVPR使深度神经网络对标签噪声具有鲁棒性：一种损失修正方法
该论文提出了一种基于理论的方法来训练深度神经网络，包括循环网络，使其适用于存在类别相关标签噪声的情况，并提出两种提高模型噪声稳健性的损失函数矫正方法和一种端到端的噪声估计框架并进行了大量实验证明了这个方法的实用性和有效性。
PDF8 years ago