PASS：基于同伴一致性的噪声标签训练样本选择
计算机视觉与模式识别
2026-01-12 v2
摘要
噪声标签样本的普遍存在给深度学习带来了重大挑战，会引发过拟合效应。因此，这催生了带噪声标签学习（LNL）技术，其侧重于分离噪声标签与干净标签样本，以对两组样本应用不同的学习策略。现有方法常依赖小损失假设或基于特征的选择来分离噪声与干净标签样本，但我们的实证观察揭示了它们的局限性，尤其对于具有实例依赖噪声（IDN）的标签。IDN 的一个重要特征是难以区分位于决策边界附近的干净标签样本（即困难样本）与噪声标签样本。为此，我们提出了一种称为基于同伴一致性的样本选择（PASS）的新噪声标签检测方法以解决该问题。PASS 利用三个分类器，采用两个模型基于共识驱动的同伴一致性来选择样本以训练剩余模型。PASS 可轻松集成到现有 LNL 模型中，提升噪声与干净标签样本的检测准确率，从而提高各类 LNL 基准上的分类精度。
引用
@article{arxiv.2303.10802,
title = {PASS: Peer-Agreement based Sample Selection for training with Noisy Labels},
author = {Arpit Garg and Cuong Nguyen and Rafael Felix and Thanh-Toan Do and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2303.10802},
year = {2026}
}
备注
In Submission