HamBR：基于哈密顿动力学的主动决策边界恢复方法用于含噪标签学习
计算机视觉与模式识别
2026-05-13 v1
摘要
在大规模视觉识别与数据挖掘任务中，噪声标签的存在严重削弱了深度神经网络（DNNs）的泛化能力。主流的样本选择方法主要依赖训练损失或预测置信度进行被动筛选。然而，在受噪声退化的特征空间中，决策边界会发生系统性边界坍缩。这一现象阻碍了模型在决策边缘区分困难干净样本与噪声样本的能力，从而造成显著的性能瓶颈。本研究首次强调了主动边界恢复对于噪声鲁棒学习的关键重要性。我们提出了 HamBR，一种基于哈密顿动力学的新范式。其核心方法利用球面哈密顿蒙特卡洛（Spherical HMC）机制，主动探测表示空间中的类间模糊区域，并合成高质量的虚拟离群点。通过基于能量的建模施加显式排斥约束，这些合成样本在决策边界处建立起鲁棒的能量壁垒。该机制迫使真实样本从分散的重叠区域向其各自的类中心移动，从而恢复决策边界的判别清晰度。HamBR 展现出卓越的通用性，可作为即插即用的防御模块集成到现有的半监督噪声标签学习框架中。实证评估表明，所提出的范式显著增强了硬边界样本的判别精度，在 CIFAR-10/100 和真实世界噪声基准上达到了最先进（SOTA）的性能。此外，它表现出优越的收敛效率和可靠的鲁棒性，同时显著提升了模型的分布外（OOD）检测能力。
引用
@article{arxiv.2605.11383,
title = {HamBR: Active Decision Boundary Restoration Based on Hamiltonian Dynamics for Learning with Noisy Labels},
author = {Ningkang Peng and Jingyang Mao and Qianfeng Yu and Xiaoqian Peng and Peirong Ma and Yanhui Gu},
journal= {arXiv preprint arXiv:2605.11383},
year = {2026}
}