超越合成噪声：受控噪声标签上的深度学习
机器学习
2020-08-28 v3 计算机视觉与模式识别
机器学习
摘要
在噪声数据上进行受控实验对于理解不同噪声水平下的深度学习至关重要。由于缺乏合适的数据集，以往研究仅考察了受控合成标签噪声下的深度学习，而真实世界标签噪声从未在受控环境中被研究。本文做出三项贡献。首先，我们建立了首个来自网络的受控真实世界标签噪声基准。该新基准使我们首次能在受控环境下研究网络标签噪声。第二项贡献是一种简单而有效的方法来克服合成与真实噪声标签。我们表明，我们的方法在我们的数据集以及两个公开基准（CIFAR 和 WebVision）上均取得了最佳结果。第三，我们开展了迄今为止规模最大的研究，以理解在噪声水平、噪声类型、网络架构和训练设置各异下、在噪声标签上训练的深度神经网络。数据和代码发布于以下链接：http://www.lujiang.info/cnlw.html
引用
@article{arxiv.1911.09781,
title = {Beyond Synthetic Noise: Deep Learning on Controlled Noisy Labels},
author = {Lu Jiang and Di Huang and Mason Liu and Weilong Yang},
journal= {arXiv preprint arXiv:1911.09781},
year = {2020}
}
备注
published at ICML 2020