ExpertNet：面向噪声标签的对抗学习与恢复
机器学习
2020-07-14 v2 机器学习
摘要
当今现实中的可用数据集（例如来自社交媒体和开放平台）为深度学习带来了巨大机遇与挑战，因为其中有相当比例的带标签图像，但标签往往含噪声，即存在错误。近期研究在不知真实标签的情况下提升了深度模型对噪声标签的鲁棒性。本文主张构建一个更强的分类器，其除原始图像外还主动利用噪声标签——将噪声标签转化为学习特征。为此，我们提出一种由 Amateur 与 Expert 组成、迭代相互学习的新框架 ExpertNet。Amateur 是由 Expert 反馈训练的正规图像分类器，其模拟人类专家如何利用从噪声标签与真实标签两者知识中学得的噪声模式来纠正 Amateur 的预测标签。训练后的 Amateur 与 Expert 主动利用图像及其噪声标签推断图像类别。我们在 CIFAR-10、CIFAR-100 的噪声版本及 Clothing1M 真实世界数据上的实证评估表明，相较于仅聚焦于消除噪声标签影响的最先进深度模型，所提模型能在广泛噪声比例下实现鲁棒分类，且训练数据可少至 20–50%。
引用
@article{arxiv.2007.05305,
title = {ExpertNet: Adversarial Learning and Recovery Against Noisy Labels},
author = {Amirmasoud Ghiassi and Robert Birke and Rui Han and Lydia Y. Chen},
journal= {arXiv preprint arXiv:2007.05305},
year = {2020}
}