针对长尾噪声标签的可靠学习类自适应专家共识（CARE）
计算机视觉与模式识别
2026-05-25 v1
摘要
从真实数据中学习常常受到长尾类别分布和噪声标注两方面的制约。现有方法仅部分解决这些问题，通常忽略标签噪声在不同类别中的非均匀影响，导致对尾部类别的纠错效果不足，同时对头部类别过度正则化。为此，我们提出Class-Adaptive Rectification with Experts（CARE），一个参数高效的框架，利用来自视觉语言模型（VLM）的三个互补监督来源：观察到的噪声标签、VLM文本嵌入和视觉特征。CARE引入一种类自适应专家共识机制，基于类别频率，对尾部类别实施更严格的一致性要求，对头部类别实施更宽松的一致性要求。通过聚合这些来源中的高置信度预测，CARE过滤不可靠的信号并校准类别分布，从而在长尾分布下实现更可靠的纠错。大量实验表明，CARE在合成数据和真实基准测试上均表现出色，性能提升最高可达3.0%。源代码已公开：https://github.com/qwq123-study/CARE。
引用
@article{arxiv.2605.23254,
title = {CARE: Class-Adaptive Expert Consensus for Reliable Learning with Long-Tailed Noisy Labels},
author = {Mengke Li and Haiquan Ling and Lihao Chen and Yang Lu and Yiqun Zhang and Hui Huang},
journal= {arXiv preprint arXiv:2605.23254},
year = {2026}
}
备注
poster in ICML 2026