用于应对标签污染的增强型元标签校正
计算机视觉与模式识别
2023-10-18 v2 机器学习
摘要
传统的带噪标签学习方法已能成功处理人工注入噪声的数据集，但仍不足以充分应对真实世界噪声。随着元学习在机器学习众多领域的应用增多，研究者利用辅助的小型干净数据集进行元校正训练标签。然而，现有的元标签校正方法尚未充分发挥其潜力。本研究提出一种增强型元标签校正方法，缩写为 EMLC，用于解决带噪标签（LNL）问题。我们重新审视元学习过程，并引入更快更精确的元梯度推导。我们提出一种专为 LNL 问题设计的新型教师架构，配备新颖的训练目标。EMLC 优于先前方法，并在所有标准基准上取得最先进（SOTA）结果。值得注意的是，在真实世界噪声数据集 Clothing1M 上，EMLC 相较基线方法将先前最优提升 ，同时每轮训练时间仅需 ，且元目标收敛更快。
引用
@article{arxiv.2305.12961,
title = {Enhanced Meta Label Correction for Coping with Label Corruption},
author = {Mitchell Keren Taraday and Chaim Baskin},
journal= {arXiv preprint arXiv:2305.12961},
year = {2023}
}
备注
Accepted to ICCV 2023