影响排序：从训练后视角构建抗噪声标签鲁棒模型的新思路

深度神经网络因其高容量而易过拟合乃至噪声标签，从而降低模型泛化性能。为克服此问题，我们提出一种通过训练后处理从噪声标签学习（LNL）的新方法，可显著提升任意预训练模型在噪声标签数据上的泛化性能。为此，我们转而利用已训练模型的过拟合特性来识别错标样本。具体而言，我们的训练后方法逐步移除对决策边界具有高影响的样本，并精炼决策边界以提升泛化性能。当与现有LNL方法结合时，我们的训练后方法产生显著协同效应。在多个真实世界与合成基准数据集上的实验结果证明了该方法在多样现实场景中的有效性。