面向噪声标签检测的具标签污染学习判别动态

标签噪声常见于真实数据集，对模型的泛化能力产生不利影响。为有效检测错误标记的实例，先前方法大多依赖可区分的训练信号（如训练损失）作为指示器来区分干净标签和噪声标签。然而，这些方法存在局限：训练信号未充分揭示模型行为，且难以适应各种噪声类型，导致检测精度受限。本文提出 DynaCor 框架，基于训练信号的动态特性来区分错误标记的实例与正确标记的实例。为解决干净标签和噪声标签缺乏监督的问题，DynaCor 首先引入标签污染策略，通过人为污染标签扩展原始数据集，以间接模拟模型在噪声标签上的行为。随后，DynaCor 通过诱导训练动态潜表示的两个明显聚类来识别干净和噪声实例。我们的全面实验表明，DynaCor 在各种噪声类型和噪声率下均优于最新竞争方法，表现出强大的鲁棒性。