面向不平衡噪声数据的环形-在环学习
机器学习
2025-01-16 v2 计算机视觉与模式识别
摘要
类别不平衡和标签噪声在大规模数据集中普遍存在，而 much of machine learning research 却假设数据干净且平衡，这很少反映真实世界的情形。现有方法通常仅单独处理标签噪声或类别不平衡，导致二者共存时效果次佳。本文提出一种新型训练框架Conformal-in-the-Loop (CitL)，采用基于环形预测的方法同时应对两者。CitL评估样本不确定性，以调整权重并修剪不可靠样本，从而以最小计算成本提升模型的韧性和准确性。我们的广泛实验包括详细分析，表明CitL在噪声且不平衡的数据集中有效强调有价值数据。我们的结果表明，CitL能持续提升模型性能，在分类准确率上提升最高可达6.1%，在分割任务中以5.0 mIoU的提升。我们的代码已公开：CitL。
引用
@article{arxiv.2411.02281,
title = {Conformal-in-the-Loop for Learning with Imbalanced Noisy Data},
author = {John Brandon Graham-Knight and Jamil Fayyad and Nourhan Bayasi and Patricia Lasserre and Homayoun Najjaran},
journal= {arXiv preprint arXiv:2411.02281},
year = {2025}
}
备注
Under Review