以牢硕匕首取匕首：通过噪声元学习对抗标签噪声
机器学习
2025-02-25 v1 计算机视觉与模式识别
摘要
从噪声标签学习 (LNL) 的目标是使用噪声数据集训练出高性能的深度模型。基于元学习的标签纠正方法已在 LNL 中展现出惊人的性能，通过设计各种元标签纠正任务来实现。然而，这些方法的标签纠正需要额外的干净验证集，需额外人力，严重限制了其实际应用。为解决这一问题，我们提出一种新颖的噪声元标签纠正框架 STCT，反其道而行之——使用噪声数据来纠正标签噪声，借鉴了“以牢硕匕首取匕首”的精神。STCT 的核心思想是将与训练数据独立同分布的噪声数据作为验证集，用于评估模型性能并在元学习框架中进行标签纠正，从而无需额外干净数据。通过将元学习中复杂的双层优化分解为表征学习和标签纠正，STCT 采用交替训练策略解决噪声元纠正与半监督表征学习。大量实验表明，STCT 在合成数据和真实数据集上均表现卓越，尤其在高噪声率情境下效果显著。在 CIFAR-10 上进行 80% 对称噪声测试时，STCT 实现了 96.9% 的标签纠正率和 95.2% 的分类性能，显著优于当前最先进的水平。
引用
@article{arxiv.2502.16104,
title = {Set a Thief to Catch a Thief: Combating Label Noise through Noisy Meta Learning},
author = {Hanxuan Wang and Na Lu and Xueying Zhao and Yuxuan Yan and Kaipeng Ma and Kwoh Chee Keong and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2502.16104},
year = {2025}
}