利用基于提示的双曲元学习缓解开放集域泛化中的标签噪声
计算机视觉与模式识别
2026-01-08 v2 机器学习
图像与视频处理
摘要
开放集域泛化（OSDG）是一项具有挑战性的任务，要求模型准确预测熟悉类别，同时最小化对未知类别的置信度，以便在未见域中有效拒绝它们。尽管OSDG领域取得了显著进展，但标签噪声（现实世界数据集中的常见问题）的影响在很大程度上被忽视了。标签噪声可能误导模型优化，从而加剧新域中开放集识别的挑战。在本研究中，我们迈出了解决带噪声标签的开放集域泛化（OSDG-NL）的第一步，通过构建源自广泛使用的OSDG数据集（包括PACS和DigitsDG）的专用基准。我们通过整合标签去噪和OSDG方法的技术来评估基线方法，突出了现有策略在处理标签噪声方面的局限性。为了解决这些局限性，我们提出了HyProMeta，一个新颖的框架，它将双曲类别原型用于标签噪声感知的元学习，同时结合一个可学习的新类别无关提示，旨在增强对未见类别的泛化能力。我们的大量实验表明，在新建立的基准上，HyProMeta相比最先进方法具有优越性能。本工作的源代码发布在https://github.com/KPeng9510/HyProMeta。
引用
@article{arxiv.2412.18342,
title = {Mitigating Label Noise using Prompt-Based Hyperbolic Meta-Learning in Open-Set Domain Generalization},
author = {Kunyu Peng and Di Wen and M. Saquib Sarfraz and Yufan Chen and Junwei Zheng and David Schneider and Kailun Yang and Jiamin Wu and Alina Roitberg and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:2412.18342},
year = {2026}
}
备注
Accepted to International Journal of Computer Vision (IJCV). The source code of this work is released at https://github.com/KPeng9510/HyProMeta