用于带标签噪声学习的实例依赖标签分布估计

噪声转移矩阵（NTM）估计是一种有前景的带标签噪声学习方法。它可基于噪声后验概率推断干净的标签分布（LD），并减轻噪声标签的影响。然而，该估计具有挑战性，因为真实标签并非总是可用。大多数现有方法使用正确标注的样本（锚点）或检测到的可靠样本（伪锚点）来估计全局 NTM。这些方法严重依赖锚点的存在或伪锚点的质量，且由于实际应用中的标签噪声大多是实例依赖的，全局 NTM 难以为每个样本提供准确的标签转移信息。为应对这些挑战，我们提出一种实例依赖标签分布估计（ILDE）方法，用于从噪声标签中学习以进行图像分类。该方法的工作流程包含三个主要步骤。首先，我们在噪声标签监督下估计每个样本的噪声后验概率。其次，由于错标概率与类间相关性密切相关，我们计算类间相关性矩阵以估计 NTM，从而避开对（伪）锚点的需求。此外，为精确近似实例依赖 NTM，我们仅使用小批量样本而非整个训练集来计算类间相关性矩阵。第三，我们将噪声后验概率与估计的 NTM 相乘，转化为实例依赖的 LD，并利用所得 LD 作为增强监督以防止 DCNN 记忆噪声标签。所提出的 ILDE 方法已在两个合成和三个真实世界噪声数据集上与几种最先进的方法进行了评估。我们的结果表明，无论噪声是合成的还是真实的，所提出的 ILDE 方法均优于所有对比方法。