无需锚点的可证明端到端标签噪声学习
机器学习
2021-10-22 v4
摘要
在标签噪声学习中,转移矩阵在构建统计一致的分类器中起着关键作用。现有的转移矩阵一致估计量通过利用锚点得到。然而,锚点假设在真实场景中并非总能得到满足。本文提出一种无需锚点求解标签噪声学习的端到端框架,其中我们同时优化两个目标:噪声标签与神经网络预测概率之间的交叉熵损失,以及由转移矩阵列向量构成的单纯形体积。我们提出的框架可在干净类后验概率充分分散时辨识转移矩阵。这是迄今为止转移矩阵可证明可辨识且所学分类器统计一致的最温和假设。在基准数据集上的实验结果证明了所提方法的有效性与鲁棒性。
引用
@article{arxiv.2102.02400,
title = {Provably End-to-end Label-Noise Learning without Anchor Points},
author = {Xuefeng Li and Tongliang Liu and Bo Han and Gang Niu and Masashi Sugiyama},
journal= {arXiv preprint arXiv:2102.02400},
year = {2021}
}