面向本质长尾数据的标签噪声学习
机器学习
2023-08-15 v3
摘要
标签噪声是导致深度学习模型泛化能力差的关键因素之一。现有标签噪声学习方法通常假设训练数据的真实类别是均衡的。然而，真实世界数据往往不平衡，导致在存在标签噪声时观测类别分布与本质类别分布不一致。在此情况下，由于本质类别分布未知，难以从本质尾部类别的噪声样本中区分干净样本。本文中，我们提出一种面向本质长尾数据的标签噪声学习框架。具体地，我们提出两阶段二维样本选择（TABASCO）以更好分离干净样本与噪声样本，尤其针对尾部类别。TABASCO 包含两种互为补充的新分离度量，以弥补单一度量在样本分离中的局限。在基准上的大量实验证明了我们方法的有效性。我们的代码见 https://github.com/Wakings/TABASCO。
引用
@article{arxiv.2208.09833,
title = {Label-Noise Learning with Intrinsically Long-Tailed Data},
author = {Yang Lu and Yiliang Zhang and Bo Han and Yiu-ming Cheung and Hanzi Wang},
journal= {arXiv preprint arXiv:2208.09833},
year = {2023}
}
备注
Accepted by ICCV 2023