面向鲁棒噪声标签学习的时间校准正则化
机器学习
2020-07-02 v1 机器学习
摘要
深度神经网络（DNNs）借助大规模精标注数据集在许多任务上取得巨大成功。然而，大规模数据标注成本高且易出错，难以保证标注质量（即存在噪声标签）。在这些噪声标签数据集上训练可能会不利地损害其泛化性能。现有方法要么依赖复杂的训练阶段划分，要么为微小的性能提升带来过多计算量。本文提出一种时间校准正则化（TCR），利用原始标签和上一轮的训练预测共同使DNN以极小开销继承已学到的简单模式。我们在多种神经网络架构和数据集上进行了广泛实验，发现它持续增强了DNN对标签噪声的鲁棒性。
引用
@article{arxiv.2007.00240,
title = {Temporal Calibrated Regularization for Robust Noisy Label Learning},
author = {Dongxian Wu and Yisen Wang and Zhuobin Zheng and Shu-tao Xia},
journal= {arXiv preprint arXiv:2007.00240},
year = {2020}
}
备注
Published as a conference paper at IJCNN 2020