IRNet：面向噪声部分标签学习的迭代细化网络
计算机视觉与模式识别
2025-10-09 v6 人工智能
摘要
部分标签学习（PLL）是一种典型的弱监督学习，其中每个样本与一组候选标签相关联。其基本假设是真实标签必须在候选集中，但由于标注者的不专业判断，这一假设可能无法满足。因此，我们放宽此假设，专注于一个更通用的任务——噪声PLL，其中真实标签可能不存在于候选集中。为解决这一具有挑战性的任务，我们提出了一个名为“迭代细化网络（IRNet）”的新框架，旨在通过两个关键模块（即噪声样本检测和标签校正）来净化噪声样本。为获得更好性能，我们利用平滑性约束来减少这些模块中的预测误差。通过理论分析，我们证明了IRNet能够降低数据集的噪声水平，并最终逼近贝叶斯最优分类器。同时，IRNet是一种即插即用策略，可与现有PLL方法集成。在多个基准数据集上的实验结果表明，IRNet在噪声PLL上优于最先进的方法。我们的源代码可在以下地址获取：https://github.com/zeroQiaoba/IRNet。
引用
@article{arxiv.2211.04774,
title = {IRNet: Iterative Refinement Network for Noisy Partial Label Learning},
author = {Zheng Lian and Mingyu Xu and Lan Chen and Licai Sun and Bin Liu and Lei Feng and Jianhua Tao},
journal= {arXiv preprint arXiv:2211.04774},
year = {2025}
}