BriefGPT.xyz
Ask
alpha
关键词
mislabeled examples
搜索结果 - 5
揭示和克服监督对比学习中的标签噪音挑战
我们提出了 D-SCL，这是一种新颖的去偏差的监督对比学习目标，旨在减少标记错误引入的偏差，并证明了 D-SCL 在各种视觉基准上稳定优于最先进的表示学习技术，提供了对标签错误的改进的鲁棒性。
PDF
7 months ago
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。
PDF
10 months ago
在标记分类数据中检测标签错误
本文研究了在标记分类数据集中寻找包含标签错误的句子的方法，并通过在 CoNLL-2003 的实体识别数据中进行的准召率评估，确立了一种简单有效的方法，能够用于该任务。
PDF
2 years ago
图像分类的鲁棒即时数据集去噪
本文研究探讨神经网络中过拟合和标签错误对泛化能力的影响，提出了一种基于因果推理的数据去噪方法，通过模拟有误标签数据在真实数据集上的损失分布，并剔除高于该分布分位数的样本，实现在无需额外计算代价的情况下提高数据处理质量。
PDF
4 years ago
ICML
在过度参数化模型中表征标记数据的结构规律
该论文分析了神经网络模型对个别实例的处理方式，通过一致性得分来表征模型的预期准确度，并使用采样自数据分布的不同大小的训练集对多个数据集中的个别实例进行了实证估计，从而确定模型处理模式与模式的一致性，该方法可应用于分析深度学习系统中的过分拟合
→
PDF
4 years ago
Prev
Next