PLReMix：基于伪标签松弛对比表征学习的噪声标签消除

最近，采用对比表征学习 (Contrastive Representation Learning, CRL) 作为预训练技术，可提升带噪声标签 (Noisy Labels) 学习方法的性能。然而，当将 CRL 损失简单地与噪声标签学习方法 end-to-end 集成时，实验结果显示性能严重退化。我们通过实验验证，这一问题源于损失函数之间的优化冲突。我们提出一种 end-to-end 框架 PLReMix，通过引入伪标签松弛 (Pseudo-Label Relaxed, PLR) 对比损失来缓解此问题。该 PLR 损失通过过滤不当的负样本对，构建每个样本可靠的负样本集，从而以简单方式消除损失冲突。该 PLR 损失可插拔，我们将其集成到其他噪声标签学习方法中，观察到性能提升。此外，我们采用二维高斯混合模型，同时利用语义信息和模型输出，区分干净样本与噪声样本。实验在多个基准数据集上表明，所提方法有效。代码已公开于 \url{https://github.com/lxysl/PLReMix}。