面向训练深度判别神经网络时对标签噪声的鲁棒性
机器学习
2017-11-06 v2 机器学习
摘要
收集带有高质量标签的大型训练数据集既昂贵又耗时。本文提出了一种新框架，能够从可低成本获取的带噪标签数据集中训练深度卷积神经网络。该问题被表述为一个无向图模型，用于表示带噪标签与干净标签之间的关系，并在半监督设置下进行训练。在我们的表述中，对潜在干净标签的推断是易处理的，并在训练期间使用辅助信息源进行正则化。所提出的模型被应用于图像标注问题，并证明在标注未见图像以及在CIFAR-10和MS COCO数据集上减少训练中的标签噪声方面均有效。
引用
@article{arxiv.1706.00038,
title = {Toward Robustness against Label Noise in Training Deep Discriminative Neural Networks},
author = {Arash Vahdat},
journal= {arXiv preprint arXiv:1706.00038},
year = {2017}
}
备注
To appear in Neural Information Processing Systems (NIPS) 2017