分析分类器在标签噪声下的鲁棒性
机器学习
2023-12-13 v1 人工智能
机器学习
摘要
本研究探讨了标签噪声下分类器的鲁棒性，旨在增强模型在复杂现实场景中对噪声数据的抵御能力。监督学习中的标签噪声表现为标签错误或不精确，会显著损害模型性能。本研究关注标签噪声对实际应用影响这一日益相关的问题。针对训练数据标签不准确这一普遍挑战，我们整合了对抗机器学习 (AML) 和重要性重加权技术。我们的方法采用卷积神经网络 (CNN) 作为基础模型，并强调针对单个训练样本进行参数调整。该策略旨在提高模型对严重影响性能的样本的关注度。
引用
@article{arxiv.2312.07271,
title = {Analyze the Robustness of Classifiers under Label Noise},
author = {Cheng Zeng and Yixuan Xu and Jiaqi Tian},
journal= {arXiv preprint arXiv:2312.07271},
year = {2023}
}
备注
21 pages, 11 figures