释放开放集的潜力：开放集噪声标签学习的新视角
机器学习
2024-02-26 v2 计算机视觉与模式识别
摘要
从噪声数据中学习已引起广泛关注，其中多数方法聚焦于闭集标签噪声。然而，现实世界中更常见的场景是同时存在开放集与闭集噪声。现有方法通常为每种噪声设计特定策略，分别识别和处理这两类标签噪声。但在许多真实场景中，识别开放集样本颇具挑战，尤其当数据集已被严重损坏时。与以往工作不同，我们探究模型面对开放集样本时的行为，发现部分开放集样本逐渐融入某些已知类别，这有利于已知类之间的分离。受此现象启发，我们提出一种新颖的两步对比学习方法CECL（类扩展对比学习），旨在通过利用开放集样本的有用信息来处理两类标签噪声。具体而言，我们将一些开放集样本并入闭集类别以提升性能，同时将其他样本作为分隔符以提高表征能力。在具有多样标签噪声的合成与真实世界数据集上的大量实验证明了CECL的有效性。
引用
@article{arxiv.2305.04203,
title = {Unlocking the Power of Open Set : A New Perspective for Open-Set Noisy Label Learning},
author = {Wenhai Wan and Xinrui Wang and Ming-Kun Xie and Shao-Yuan Li and Sheng-Jun Huang and Songcan Chen},
journal= {arXiv preprint arXiv:2305.04203},
year = {2024}
}