面向不平衡噪声标签元学习最大化验证集效用
机器学习
2025-10-09 v4 计算机视觉与模式识别
摘要
元学习是处理不平衡与噪声标签学习的有效方法，但它依赖于一个包含随机选取、人工标注且均衡分布样本的验证集。该验证集的随机选取、人工标注与均衡处理不仅对元学习而言并非最优，且随类别数量增加可扩展性差。因此，近期元学习论文提出了临时启发式方法自动构建并标注该验证集，但这些启发式方法对元学习仍非最优。本文中，我们分析元学习算法并提出刻画验证集效用的新准则，基于：1)验证集的信息量；2)集合的类别分布均衡性；3)集合标签的正确性。此外，我们提出一种新的不平衡噪声标签元学习(INOLML)算法，利用上述准则自动构建验证集并最大化其效用。我们的方法相较先前元学习方法有显著提升，并在多个基准上确立了新的最先进水平。
引用
@article{arxiv.2208.08132,
title = {Maximising the Utility of Validation Sets for Imbalanced Noisy-label Meta-learning},
author = {Dung Anh Hoang and Cuong Nguyen and Belagiannis Vasileios and Thanh-Toan Do and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2208.08132},
year = {2025}
}