扩展T：在闭集与开集混合噪声标签下的学习
机器学习
2020-12-03 v1
摘要
标签噪声转移矩阵 反映了真实标签翻转为噪声标签的概率，对于建模标签噪声和设计统计一致的分类器至关重要。传统的转移矩阵仅限于建模闭集标签噪声，其中噪声训练数据的真实类标签在噪声标签集合内。采用这样的转移矩阵来建模开集标签噪声是不合适的，因为开集标签噪声中部分真实类标签在噪声标签集合之外。因此，当考虑更现实的情况，即闭集和开集标签噪声同时发生时，现有方法会不当地给出有偏解。此外，传统转移矩阵仅限于建模实例独立标签噪声，在实践中可能表现不佳。本文关注于在闭集与开集混合标签噪声下的学习。我们通过将传统转移矩阵扩展为能够建模混合标签噪声，并进一步扩展为簇依赖转移矩阵以更好地近似现实应用中的实例依赖标签噪声，从而解决上述问题。我们将提出的转移矩阵称为簇依赖扩展转移矩阵。我们设计了一个无偏估计器（即扩展 估计器），仅利用噪声数据来估计簇依赖扩展转移矩阵。综合的合成与真实实验验证了我们的方法能更好地建模混合标签噪声，并由此表现出比先前最先进的标签噪声学习方法更鲁棒的性能。
引用
@article{arxiv.2012.00932,
title = {Extended T: Learning with Mixed Closed-set and Open-set Noisy Labels},
author = {Xiaobo Xia and Tongliang Liu and Bo Han and Nannan Wang and Jiankang Deng and Jiatong Li and Yinian Mao},
journal= {arXiv preprint arXiv:2012.00932},
year = {2020}
}