GAMR：面向噪声标签学习的几何感知流形正则化与虚拟离群点合成
计算机视觉与模式识别
2026-05-21 v1
摘要
深度神经网络（DNN）在处理噪声标签时会出现显著性能下降，主要由于对误标记数据过拟合。当前主流方法通过被动筛选干净样本来缓解此问题。然而，简单地在被噪声扰动的特征空间中进行样本筛选，难以区分困难样本和噪声样本，成为模型性能的瓶颈。我们首次强调主动重塑特征空间几何对从噪声数据学习至关重要。我们提出一种几何感知流形正则化范式，其核心思想是通过主动合成虚拟离群点样本，显式构建数据流形之间的能量障碍。通过施加促进类内紧凑性和类间分离的几何约束，该方法增强了困难样本与噪声样本之间的判别能力，促进更健壮的表征学习。该正则化机制高度通用，无需对噪声模式进行任何先验假设即可有效工作，可作为独立机制集成到现有样本选择框架中，提供对多样化噪声环境的更强鲁棒性。实验表明，该范式在包括CIFAR-10在内的多个基准数据集上实现超越当前最先进（SOTA）方法的性能，尤其在更具挑战性的非对称噪声条件下优势尤为显著。此外，该范式显著提升了模型在离群分布（OOD）检测方面的能力，确保在开放世界场景中部署的可靠性和安全性。
引用
@article{arxiv.2605.20727,
title = {GAMR: Geometric-Aware Manifold Regularization with Virtual Outlier Synthesis for Learning with Noisy Labels},
author = {Ningkang Peng and Jingyang Mao and Xiaoqian Peng and Peirong Ma and Xichen Yang and Weiguang Qu and Yanhui Gu},
journal= {arXiv preprint arXiv:2605.20727},
year = {2026}
}