用于噪声标签学习的基于势能的混合模型
机器学习
2024-05-03 v1 人工智能
摘要
从噪声标签训练深度神经网络 (DNN) 是一项重要且具有挑战性的任务。然而,大多数现有方法关注于损坏的标签而忽略了固有数据结构的重要性。为了弥合噪声标签与数据之间的差距,受物理学中势能概念的启发,我们提出了一种用于噪声标签学习的新型基于势能的混合模型 (PEMM)。我们创新了一种基于距离的分类器,并在其类中心上施加势能正则化。将我们提出的分类器嵌入现有的深度学习骨干网络中,我们可以获得具有更好特征表示的稳健网络。它们能够保留数据的内在结构,从而带来优越的噪声容忍度。我们进行了广泛的实验,以在几个真实世界数据集上分析所提模型的效率。定量结果表明,它可以实现 SOTA 性能。
引用
@article{arxiv.2405.01186,
title = {Potential Energy based Mixture Model for Noisy Label Learning},
author = {Zijia Wang and Wenbin Yang and Zhisong Liu and Zhen Jia},
journal= {arXiv preprint arXiv:2405.01186},
year = {2024}
}
备注
36th Conference on Neural Information Processing Systems (NeurIPS 2022)