面向噪声容错学习的变动率上限损失函数

在监督学习中，抑制噪声标签的负面影响长期以来是一个持续性问题。鲁棒损失函数已成为解决此问题的流行方法。本文引入变动率作为与损失函数鲁棒性相关的新属性，提出一种新的鲁棒损失函数族，称为变动率上限损失（Variation-Bounded Loss, VBL），其特征为变动率受限。我们对变动率进行理论分析，证明变动率较小会导致更好的鲁棒性。进一步，我们表明变动率提供了放宽对称条件的可行方法，并为实现非对称条件提供了更简洁的路径。基于变动率，我们将若干常用损失函数 reformulate 为变动率受限形式以用于实际应用。在多个数据集上的实验结果表明，我们的方法在有效性和灵活性方面均表现优异。