SOSELETO：一种迁移学习与含噪标签训练的统一方法
计算机视觉与模式识别
2019-05-10 v2 人工智能
机器学习
摘要
我们提出 SOSELETO（SOurce SELEction for Target Optimization，面向目标优化的源选择），一种利用源数据集解决目标数据集上分类问题的新方法。SOSELETO 基于如下简单直觉：某些源样本对目标问题比其它样本更具信息性。为捕捉该直觉，每个源样本被赋予权重；这些权重通过与源和目标分类问题联合经由双层优化方案求解。因此目标可选择对其自身分类任务最具信息性的源样本。此外，优化的双层性质充当对目标的一种正则化，缓解过拟合。SOSELETO 可应用于经典迁移学习以及含噪标签数据集训练问题；我们在这两个问题上均展示了最先进的（state of the art）结果。
引用
@article{arxiv.1805.09622,
title = {SOSELETO: A Unified Approach to Transfer Learning and Training with Noisy Labels},
author = {Or Litany and Daniel Freedman},
journal= {arXiv preprint arXiv:1805.09622},
year = {2019}
}
备注
ICLR workshop on Learning from Limited Labeled Data (LLD) -- Best Paper Award