基于径向-角向几何的无标签学习可靠更新诊断
机器学习
2026-05-19 v1 计算机视觉与模式识别
摘要
无标签方法通常从前向空间信号（如损失、置信度或熵）估计样本可靠性。这些信号指示样本是否难以预测，但它们并不直接测试所观察标签是否导致可靠的参数更新。因为这一差距至关重要：难干净样本和标记错误的样本可能具有相似的损失，但会导致不同的更新。我们将可靠性估计重新诠释为对所观察标签更新的诊断。样本级经验Fisher迹迹给出了反向空间的更新能量度量：对于分类器层，它因子化为预测残差项和特征敏感项，因此捕获了标量损失之外的信息。迹仍为径向幅值信号，无法决定较大的更新是有用还是有害。因此，我们提出了相对几何冲突（RGC），通过与由指数移动平均（EMA）教师诱导的参考梯度比较来实现这一点。冲突项有助于区分较大但方向一致的难干净更新，以及由标签错误导致的较大冲突更新。在合成数据和真实世界无标签基准测试中，RGC在我们评估协议下提高了难干净样本的保留率和准确率。
引用
@article{arxiv.2605.17429,
title = {Radial-Angular Geometry for Reliable Update Diagnosis in Noisy-Label Learning},
author = {Ningkang Peng and Jingyang Mao and Xiaoqian Peng and Weiguang Qu and Yanhui Gu},
journal= {arXiv preprint arXiv:2605.17429},
year = {2026}
}