.png){kind=icon}
返回
Probabilistic instance dependent label refinement for noisy label learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s10994-024-06668-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
标签优化方法旨在通过将模型预测融入原始训练标签来提升训练标签的质量。通过调整噪声标签的组合系数，可以降低噪声的影响，从而增强训练过程的鲁棒性。然而，以往的标签优化方法无法建模实例依赖型噪声，而这正是最真实的噪声类型。为解决此局限性，我们提出了一种简单的方法，即概率实例依赖型标签优化（简称为$\pi$-LR）。受人类在标注混淆样本时更容易出错的启发，我们提出估计样本是否为混淆样本的概率，这有助于建模噪声生成过程。我们的方法通过从概率角度为每个样本$\varvec{x}_i$分配混淆概率$\eta _i$来利用这一概念，从而清晰理解实例依赖型噪声如何影响真实标签。实验评估表明，$\pi$-LR在存在标签噪声的情况下提高了模型的鲁棒性，并在真实和合成的标签噪声上都优于所有对比方法，同时保持了高时间和空间效率。
Keyword:
Machine learning
Noisy label learning
Instance-dependent noise
Deep neural networks
Classification
期刊
IF:
2.9
论文数:
2.7K
被引数:
3.4W
机构
暂无机构信息
引用论文
.png){kind=icon}
查看更多内容