面向标签噪声下鲁棒学习的赌博机驱动批量选择
机器学习
2023-11-02 v1 人工智能
摘要
我们提出了一种在随机梯度下降（SGD）训练中用于批量选择的新方法，该方法利用组合赌博机算法。我们的方法侧重于在标签噪声存在的情况下优化学习过程，而标签噪声是现实世界数据集中普遍存在的问题。在 CIFAR-10 数据集上的实验评估表明，我们的方法在各种标签损坏程度下始终优于现有方法。重要的是，我们在不带来通常与辅助神经网络模型相关的计算开销的情况下实现了这一优越性能。本工作在计算效率与模型效能之间取得了平衡，为复杂的机器学习应用提供了一种可扩展的解决方案。
引用
@article{arxiv.2311.00096,
title = {Bandit-Driven Batch Selection for Robust Learning under Label Noise},
author = {Michal Lisicki and Mihai Nica and Graham W. Taylor},
journal= {arXiv preprint arXiv:2311.00096},
year = {2023}
}
备注
WANT@NeurIPS 2023 & OPT@NeurIPS 2023