mislabeling | BriefGPT - AI 论文速递

关键词mislabeling

搜索结果 - 7

多类线性分类问题的一位量化和稀疏化：通过正则化回归
利用线性回归在过参数化制度中进行多类别分类研究，分析了数据集中的标签错误对分类性能的影响，研究发现加入正则项可以避免过拟合错误标签，并证明了当正则函数为 2 - 范数时的最佳分类性能，同时还分析了 1 - 范数和无穷范数时的分类错误情况以及
PDF5 months ago
二分类的正则化线性回归
对于具有噪声标签的二元分类问题，正则化线性回归是一种有前景的方法。本文系统研究了正则化强度对通过最小化正则化最小二乘目标来解决二元分类问题的线性分类器性能的影响。通过在超参数化条件下，假设类别是由高斯混合模型生成的，其中有一个小于 1/2
PDF8 months ago
曲率损失函数视角下的记忆化
本文提出通过损失函数对训练样本曲率的测量来对神经网络的记忆化能力进行研究和分析。通过对 popular image datasets 的样本进行测量、可视化和排序，研究展示了神经网络在长尾数据、错误标签和冲突样本方面的记忆化失效，并发现了
PDFa year ago
基于预设文本的主动学习
该研究提出了一种针对深度神经网络的主动学习技术，使用一个单独的网络对样本进行评分选择，提高模型对错标记的容忍度，同时通过自监督和多任务学习等方法缓解数据不足的问题。
PDF4 years ago
ACL基于成本敏感正则化的标签混淆感知事件检测
本文提出基于成本敏感正则化的监督事件检测方法，针对小部分混淆类型对之间的错误标签问题，引入成本加权项和两种衡量标签混淆的估算器显著提高了英语和汉语事件检测的表现，实验过程使用了 TAC-KBP 2017 数据集。
PDF5 years ago
使用 Dropout 正则化从嘈杂标签中学习深度网络
该篇论文提出了一种纠正深度神经网络中标签不准确的技术：通过增加一个噪声模型的 softmax 层，采用端到端的随机梯度下降来优化网络以及噪声模型，借助 dropout 正则化防止噪声模型过于简单。在 CIFAR-10 和 MNIST 数据集
PDF7 years ago
ICLR含噪标签深度 CNN 的辅助图像正则化
研究如何使用图像正则化技术结合 Alternating Direction Method of Multipliers 算法训练深度卷积神经网络 (CNN)，从而有效解决真实数据集中由业余用户提供的标签错误导致的训练样本混淆问题。经过全面实
PDF9 years ago