具有模糊任务边界和噪声标签的数据流采样
机器学习
2024-04-09 v1 人工智能
计算机视觉与模式识别
摘要
在持续学习领域，数据流中噪声标签的存在对模型的可靠性和公平性构成了显著障碍。我们关注相关文献中描述的数据流场景，其特征是模糊的任务边界和噪声标签。为了应对这一挑战，我们引入了一种新颖且直观的采样方法，称为噪声测试去偏（NTD），以减轻演化数据流中的噪声标签，并建立公平且稳健的持续学习算法。NTD 易于实现，使其在各种场景中均可行。我们的实验在四个数据集上进行了基准测试，包括两个合成噪声数据集（CIFAR10 和 CIFAR100）以及真实世界噪声数据集（mini-WebVision 和 Food-101N）。结果验证了 NTD 在数据流中存在噪声标签场景下用于在线持续学习的有效性。与之前的领先方法相比，NTD 在保持或超越准确率水平的同时，实现了两倍以上的训练加速。此外，与之前的领先方法相比，NTD 使用的 GPU 内存资源不到其五分之一。
引用
@article{arxiv.2404.04871,
title = {Data Stream Sampling with Fuzzy Task Boundaries and Noisy Labels},
author = {Yu-Hsi Chen},
journal= {arXiv preprint arXiv:2404.04871},
year = {2024}
}