基于粒球计算的含标签噪声深度CNN模型研究
机器学习
2022-07-20 v1 人工智能
摘要
在监督学习中，噪声的存在会对决策产生显著影响。由于许多分类器在损失函数推导中未考虑标签噪声，包括逻辑回归、SVM和AdaBoost的损失函数，尤其是其核心思想是不断增大误分类样本权重的AdaBoost迭代算法，在许多存在标签噪声的情况下样本权重会被增大，导致模型精度下降。此外，BP神经网络与决策树的学习过程也会受标签噪声影响。因此，解决标签噪声问题是维持网络模型鲁棒性的重要环节，具有重大实际意义。粒球计算是近年来粒计算领域发展出的一种重要建模方法，是一种高效、鲁棒且可扩展的学习方法。本文首创了一种粒球神经网络算法模型，采用多粒度思想在模型训练过程中过滤标签噪声样本，解决了当前深度学习领域因标签噪声导致的模型不稳定性问题，大幅降低了训练样本中的标签噪声比例，提升了神经网络模型的鲁棒性。
引用
@article{arxiv.2207.08810,
title = {A Study of Deep CNN Model with Labeling Noise Based on Granular-ball Computing},
author = {Dawei Dai and Donggen Li and Zhiguo Zhuang},
journal= {arXiv preprint arXiv:2207.08810},
year = {2022}
}