通过标准化损失聚合实现任务无关的噪声标签检测
计算机视觉与模式识别
2026-05-21 v2 人工智能
摘要
由于观察者间的差异和模糊病例，噪声标签在大规模医学影像数据集中很常见。我们提出了一种具有统计学基础且任务无关的框架——标准化损失聚合（SLA），用于在样本级检测噪声标签。SLA 通过聚合重复交叉验证运行中折级验证损失的标准化值来量化标签可靠性。该公式将离散的硬计数方案推广为连续估计器，能够捕捉性能偏差的频率和幅度，从而产生可解释且统计稳定的噪声评分。在公开的眼底数据集上的实验表明，SLA 在所有噪声水平上均持续优于硬计数基线，且收敛速度大幅提升，尤其是在损失微小变化也具有信息量的低噪声比例下。具有高 SLA 分数的样本指示了潜在的模糊或误标病例，可指导高效的重新标注，并提高任何分类任务的数据集可靠性。
引用
@article{arxiv.2605.10165,
title = {Task-Agnostic Noisy Label Detection via Standardized Loss Aggregation},
author = {Inhyuk Park and Doohyun Park},
journal= {arXiv preprint arXiv:2605.10165},
year = {2026}
}
备注
Accepted to IEEE ISBI 2026. The final published version will appear in IEEE Xplore