使用早学习正则化对真实世界含噪数据进行分类
计算机视觉与模式识别
2021-06-02 v2
摘要
记忆问题是计算机视觉领域中众所周知的。Liu 等人提出了一种称为早学习正则化（Early-Learning Regularization）的技术，在存在标签噪声时提升了 CIFAR 数据集上的准确率。本项目复现了他们的实验，并考察了在具有内在噪声的真实世界数据集上的表现。结果显示他们的实验结果具有一致性。除 SGD 外我们还探索了锐度感知最小化（Sharpness-Aware Minimization），并观察到进一步的 14.6 个百分点的提升。未来工作包括使用全部 600 万张图像，并人工清洗其中一小部分以微调迁移学习模型。最后同样重要的是，拥有干净数据用于测试也将改善准确率的度量。
引用
@article{arxiv.2105.13244,
title = {Using Early-Learning Regularization to Classify Real-World Noisy Data},
author = {Alessio Galatolo and Alfred Nilsson and Roderick Karlemstrand and Yineng Wang},
journal= {arXiv preprint arXiv:2105.13244},
year = {2021}
}