Annot-Mix：通过混合技巧扩展处理来自多个标注者的带噪声类别标签的学习
机器学习
2024-05-07 v1
摘要
使用带噪声的类别标签会损害神经网络的泛化性能。在此背景下，mixup 是一种流行的正则化技术，通过使记忆错误的类别标签更加困难来提高训练的鲁棒性。然而，mixup 忽略了通常多个标注者（例如，众包工作者）为每个实例提供类别标签的事实。因此，我们提出了一种对 mixup 的扩展，该扩展在考虑哪个类别标签来自哪个标注者的同时，处理每个实例的多个类别标签。集成到我们的多标注者分类框架 annot-mix 中，它在由人类或模拟标注者提供带噪声类别标签的十一个数据集上优于八种最先进的方法。我们的代码通过 https://github.com/ies-research/annot-mix 上的存储库公开提供。
引用
@article{arxiv.2405.03386,
title = {Annot-Mix: Learning with Noisy Class Labels from Multiple Annotators via a Mixup Extension},
author = {Marek Herde and Lukas Lührs and Denis Huseljic and Bernhard Sick},
journal= {arXiv preprint arXiv:2405.03386},
year = {2024}
}
备注
Under review