纠正多标签预测中的噪声：通过潜在空间偏移建模标签噪声
机器学习
2025-05-09 v3 人工智能
摘要
数据中的噪声在大多数现实世界的机器学习应用中不可避免，会导致严重的过拟合问题。不仅数据特征可能包含噪声，标签也可能因人为输入而呈现噪声。本文聚焦于多标签分类中更少探索的噪声标签学习领域，具体研究针对从使用带噪标签训练的分类器生成的预测进行后期纠正。其原因有两个：首先，这种方法可以直接作用于已训练的模型，以节省计算资源；其次，它可以叠加在其他噪声标签纠正技术之上，以实现进一步的改进。为处理此问题，我们采用深度生成方法进行不确定性估计。我们的模型认为标签噪声源于潜在变量的随机偏移，这为噪声学习提供了更稳健且有益的途径。我们开发了无监督和半监督学习方法。广泛的实证研究表明，我们的方法能够稳定地改进独立模型，并在各种噪声标签设置下优于多个现有方法。此外，还进行了全面的实证分析，以验证方法的鲁棒性，包括灵敏度分析和消融研究等。
引用
@article{arxiv.2502.14281,
title = {Correcting Noisy Multilabel Predictions: Modeling Label Noise through Latent Space Shifts},
author = {Weipeng Huang and Qin Li and Yang Xiao and Cheng Qiao and Tie Cai and Junwei Liang and Neil J. Hurley and Guangyuan Piao},
journal= {arXiv preprint arXiv:2502.14281},
year = {2025}
}