标签噪声的协调稀疏恢复

标签噪声是真实数据集中常见的问题，不可避免地影响模型的泛化能力。本研究关注标签噪声依赖于实例的鲁棒分类任务。准确估计该任务中的转移矩阵具有挑战性，基于样本选择的方法往往表现出不同程度的确认偏差。稀疏过参数化训练（SOP）在理论上能有效估计和恢复标签噪声，为噪声标签学习提供了新的解决方案。然而，本研究通过实验观察并验证了SOP的一个技术缺陷：模型预测与噪声恢复之间缺乏协调，导致泛化误差增加。为了解决这个问题，我们提出了一种称为协调稀疏恢复（CSR）的方法。CSR引入协作矩阵和置信权重来协调模型预测和噪声恢复，减少误差泄漏。基于CSR，本研究设计了一种联合样本选择策略，并构建了一个全面且强大的学习框架CSR+。CSR+显著减少了确认偏差，尤其是在类别较多且实例特定噪声比例较高的数据集上。在模拟和真实噪声数据集上的实验结果表明，CSR和CSR+与同级别方法相比均取得了优异的性能。