用于学习带噪标签的联合非对称损失函数
机器学习
2025-07-24 v1 计算机视觉与模式识别
摘要
学习带噪标签是训练准确深度神经网络的关键任务。为缓解标签噪声，先前研究提出了 various robust loss functions，尤其是对称 loss。然而，对称 loss 通常因约束过严而出现欠拟合问题。为解决此问题，Active Passive Loss (APL) 联合优化主动 loss 和被动 loss，以相互提升整体拟合能力。在 APL 中，对称 loss 已成功扩展，产生了先进的 robust loss 函数。尽管有了这些进展，但 emerging theoretical analyses 指出，非对称 loss 作为新型 robust loss 函数具有优于对称 loss 的更好属性。然而，现有的非对称 loss 与诸如 APL 等高级优化框架不兼容，限制了其潜力和适用性。鼓励此理论差距及非对称 loss 的前景，我们将非对称 loss 扩展到更复杂的被动 loss 场景，提出 Asymetric Mean Square Error (AMSE)，这是一种新型非对称 loss。我们严格建立了 AMSE 满足非对称条件的必要且充分条件。通过将 APL 中传统的对称被动 loss 替换为我们提出的 AMSE，我们引入一种新型 robust loss 框架，称为 Joint Asymmetric Loss (JAL)。大量实验表明，我们的方法在缓解标签噪声方面具有有效性。代码已公开：https://github.com/cswjl/joint-asymmetric-loss
引用
@article{arxiv.2507.17692,
title = {Joint Asymmetric Loss for Learning with Noisy Labels},
author = {Jialiang Wang and Xianming Liu and Xiong Zhou and Gangfeng Hu and Deming Zhai and Junjun Jiang and Xiangyang Ji},
journal= {arXiv preprint arXiv:2507.17692},
year = {2025}
}
备注
Accepted by ICCV 2025