仅通过全变分正则化从噪声标签中学习噪声转移矩阵
机器学习
2021-06-15 v2 机器学习
摘要
许多弱监督分类方法采用噪声转移矩阵来刻画类条件标签损坏。为了从噪声数据中估计转移矩阵，现有方法通常需要估计噪声类后验，而由于神经网络过于自信，这可能不可靠。在这项工作中，我们提出了一种有理论依据的方法，能够在不依赖易出错的噪声类后验估计的情况下，同时估计噪声转移矩阵并学习分类器。具体而言，受随机标签损坏过程特性的启发，我们提出全变分正则化，其鼓励预测概率彼此更具区分度。在温和假设下，所提方法给出了转移矩阵的一致估计量。我们通过基准和真实世界数据集上的实验展示了所提方法的有效性。
引用
@article{arxiv.2102.02414,
title = {Learning Noise Transition Matrix from Only Noisy Labels via Total Variation Regularization},
author = {Yivan Zhang and Gang Niu and Masashi Sugiyama},
journal= {arXiv preprint arXiv:2102.02414},
year = {2021}
}
备注
ICML 2021 camera-ready version