AEON：适用于稳健学习的自适应估计实例依赖的类内和类外标签噪声
计算机视觉与模式识别
2025-01-24 v1
摘要
使用带噪标签进行稳健训练是图像分类中的关键挑战，可减少对高成本干净标签数据集的依赖。真实世界数据集常包含混合的类内(ID)和类外(OOD)实例依赖标签噪声，这一挑战几乎未被现有方法同时解决，且进一步受限于缺乏全面基准数据集的制约。此外，尽管当前的噪声标签学习方法试图在训练期间找到噪声标签样本，但这些方法并不旨在估计ID和OOD噪声率以促进其在噪声标签样本选择方面的有效性，往往表现为低效的多阶段学习算法。我们提出了适用于稳健学习的自适应估计实例依赖的类内和类外标签噪声(AEON)方法，以解决上述研究空白。AEON是一种高效的单阶段噪声标签学习方法，动态估计实例依赖的ID和OOD标签噪声率，以增强对复杂噪声设置的鲁棒性。此外，我们引入了反映真实世界ID和OOD噪声情景的新基准。实验表明，AEON在合成数据集和真实世界数据集上实现了状态-of-the-art性能。
引用
@article{arxiv.2501.13389,
title = {AEON: Adaptive Estimation of Instance-Dependent In-Distribution and Out-of-Distribution Label Noise for Robust Learning},
author = {Arpit Garg and Cuong Nguyen and Rafael Felix and Yuyuan Liu and Thanh-Toan Do and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2501.13389},
year = {2025}
}
备注
In Submission