TMLC-Net: 面向噪声标签学习的可迁移元标签校正
机器学习
2025-02-12 v1 人工智能
摘要
现实世界数据集中噪声标签的普遍存在，对深度学习模型的有效部署构成了重大阻碍。虽然元学习策略已成为应对这一挑战的有前景的方法，但现有方法往往存在可迁移性有限和设计过于特定于任务的问题。本文提出了 TMLC-Net，一种用于校正噪声标签的新型可迁移元学习器，旨在克服这些局限性。TMLC-Net 学习一种通用标签校正策略，可直接应用于 diverse 数据集和模型架构，而无需大量的重训练或微调。我们的方法集成了三个核心组件：(1) 归一化噪声感知，用于捕获并归一化训练动态以处理分布偏移；(2) 时间序列编码，使用循环神经网络对样本统计量的时间演变进行建模；(3) 子类解码，基于学习到的表示预测校正后的标签分布。我们在具有各种噪声类型和噪声级别的基准数据集上进行了广泛实验，证明 TMLC-Net 在准确性和对标签噪声的鲁棒性方面均持续优于 SOTA 方法。此外，我们分析了 TMLC-Net 的可迁移性，展示了其对新数据集和噪声条件的适应能力，并确立了其作为噪声环境下鲁棒深度学习广泛适用解决方案的潜力。
引用
@article{arxiv.2502.07721,
title = {TMLC-Net: Transferable Meta Label Correction for Noisy Label Learning},
author = {Mengyang Li},
journal= {arXiv preprint arXiv:2502.07721},
year = {2025}
}