双T估计器：降低标签噪声学习中的转移矩阵估计误差
机器学习
2021-06-24 v3 机器学习
摘要
转移矩阵，表示从干净标签到噪声标签的转移关系，对于在标签噪声学习中构建统计一致的分类器至关重要。现有的转移矩阵估计方法严重依赖于估计噪声类后验概率。然而，由于标签噪声的随机性，噪声类后验的估计误差可能很大，这将导致转移矩阵估计不佳。因此，在本文中，我们旨在通过利用分而治之的范式来解决这个问题。具体来说，我们引入一个中间类来避免直接估计噪声类后验。通过这个中间类，原始的转移矩阵可以被分解为两个易于估计的转移矩阵的乘积。我们将所提出的方法称为双T估计器。理论分析和实证结果都说明了双T估计器在估计转移矩阵方面的有效性，从而带来了更好的分类性能。
引用
@article{arxiv.2006.07805,
title = {Dual T: Reducing Estimation Error for Transition Matrix in Label-noise Learning},
author = {Yu Yao and Tongliang Liu and Bo Han and Mingming Gong and Jiankang Deng and Gang Niu and Masashi Sugiyama},
journal= {arXiv preprint arXiv:2006.07805},
year = {2021}
}