面向含噪标签学习的通道级对比学习
机器学习
2023-08-15 v1 计算机视觉与模式识别
摘要
在真实世界数据集中，噪声标签普遍存在。含噪标签学习（LNL）的挑战在于训练一个能从给定实例中辨别真实类别的分类器。为此，模型必须识别指示真实标签的特征。尽管研究表明，即便在错误标注的数据中，真实标签信息也嵌入于学到的特征里，但它常与噪声交织，使其直接应用复杂化。对此，我们引入通道级对比学习（CWCL）。该方法通过在不同通道上执行对比学习，从噪声中区分真实标签信息。与传统的实例级对比学习（IWCL）不同，CWCL 倾向于产生更精细且与真实标签对齐的鲁棒特征。我们的策略包含两方面：首先，使用 CWCL 提取相关特征以识别干净标注样本；其次，利用这些样本逐步微调。在多个基准数据集上的评估验证了我们方法相对于现有方法的优越性。
引用
@article{arxiv.2308.06952,
title = {Channel-Wise Contrastive Learning for Learning with Noisy Labels},
author = {Hui Kang and Sheng Liu and Huaxi Huang and Tongliang Liu},
journal= {arXiv preprint arXiv:2308.06952},
year = {2023}
}