PADDLES：用于带噪标签学习的相位-幅度谱解耦早停法
计算机视觉与模式识别
2022-12-08 v1 人工智能
机器学习
摘要
卷积神经网络（CNNs）在模式学习中表现出优越性，但对标签噪声敏感，且在训练中可能过拟合噪声标签。早停策略避免 CNNs 在训练早期阶段更新，并在存在噪声标签时被广泛采用。受生物学发现启发——频域中的幅度谱（AS）与相位谱（PS）在动物视觉系统中扮演不同角色，我们观察到捕获更多语义信息的 PS 比 AS 更能提升 DNNs 对标签噪声的鲁棒性。因此我们提出对 AS 和 PS 在不同时间早停，通过在训练中使用离散傅里叶变换（DFT）将某些层特征解耦为 AS 和 PS。我们提出的相位-幅度解耦早停（PADDLES）方法在合成与真实世界标签噪声数据集上均有效。PADDLES 优于其他早停方法并取得最先进性能。
引用
@article{arxiv.2212.03462,
title = {PADDLES: Phase-Amplitude Spectrum Disentangled Early Stopping for Learning with Noisy Labels},
author = {Huaxi Huang and Hui Kang and Sheng Liu and Olivier Salvado and Thierry Rakotoarivelo and Dadong Wang and Tongliang Liu},
journal= {arXiv preprint arXiv:2212.03462},
year = {2022}
}