用于有效数据去噪与鲁棒弃判的统一即插即用框架
机器学习
2020-09-28 v1 计算机视觉与模式识别
机器学习
摘要
深度神经网络（DNN）的成功高度依赖于数据质量。此外，预测不确定性使得高性能DNN在实际部署中存在风险。在本文中，我们旨在通过提出一种利用底层数据密度的统一过滤框架来解决这两个问题，该框架能够有效去除训练数据中的噪声并避免对不确定测试数据点进行预测。我们提出的框架利用底层数据分布来区分噪声与干净数据样本，无需对现有DNN架构或损失函数做任何修改。在多个图像分类数据集和多种CNN架构上的大量实验表明，我们这种简单而有效的框架在训练数据去噪和不确定测试数据弃判方面优于最先进的技术。
引用
@article{arxiv.2009.12027,
title = {A Unified Plug-and-Play Framework for Effective Data Denoising and Robust Abstention},
author = {Krishanu Sarker and Xiulong Yang and Yang Li and Saeid Belkasim and Shihao Ji},
journal= {arXiv preprint arXiv:2009.12027},
year = {2020}
}
备注
Under review