NCSAM：面向噪声标签学习的噪声补偿锐度感知最小化
机器学习
2026-05-29 v3 人工智能
计算机视觉与模式识别
摘要
从噪声标签中学习（LNL）仍然是深度学习中的一个基本挑战，因为真实世界的数据集通常包含被破坏的标注。大多数现有方法依赖于标签校正或样本选择机制。相比之下，我们从优化角度研究LNL，通过建立标签噪声与锐度感知最小化（SAM）的平坦性寻求行为之间的理论联系。基于此分析，我们提出了噪声补偿锐度感知最小化（NCSAM），它使用噪声补偿扰动来抵消由噪声标签引起的优化偏差。通过校正失真的SAM扰动，NCSAM在训练过程中减轻了对噪声标签的记忆，同时保留了基于优化的学习的简洁性。在合成和真实世界的噪声标签基准上的实验表明，NCSAM在基于SAM的优化基线上持续改进，并与具有代表性的噪声标签学习方法保持竞争力。
引用
@article{arxiv.2601.19947,
title = {NCSAM Noise-Compensated Sharpness-Aware Minimization for Noisy Label Learning},
author = {Jiayu Xu and Junbiao Pang},
journal= {arXiv preprint arXiv:2601.19947},
year = {2026}
}
备注
11 pages, 1 figure, 8 tables. Major revision of v1: revised PAC-Bayesian theoretical analysis, clarified the NCSAM formulation, added appendix derivations, reorganized experiments and ablations, updated related work, citations, writing, and author list