PulseAugur
中
实时 10:09:08
English(EN) Robust Losses from Univariate Base Functions for Noisy-Label Learning

新研究通过新颖框架解决深度学习中的噪声标签问题 · 跟踪3 个来源

作者 PulseAugur 编辑部 · [3 个来源] ·

三篇新研究论文探讨了在处理噪声标签时改进监督学习的方法。第一篇论文介绍了一个从单变量基函数构建鲁棒多类损失的框架，在合成和真实世界基准测试中表现出竞争力。第二篇论文提出了 NegScale，一个即插即用框架，利用“不相似性不变性”来处理视觉识别任务中的标签噪声，其性能优于最先进的基线。第三篇论文提出了部分裁决设计监督学习 (PA-DSL)，一种在自动化分类中纠正噪声人工标签以进行统计分析的方法，实验显示 RMSE 降低。 AI

影响 这些在噪声标签学习方面的进展可能导致在各种应用中更鲁棒、更准确的 AI 模型，尤其是在数据不完美的领域。

排序理由 三篇在 arXiv 上发表的独立学术论文，详细介绍了处理机器学习中噪声标签的新方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →

新研究通过新颖框架解决深度学习中的噪声标签问题 · 跟踪3 个来源

报道来源 [3]

  1. arXiv cs.LG TIER_1 English(EN) · Peng Hu, Jianwei Ma ·

    用于噪声标签学习的单变量基函数的鲁棒损失

    arXiv:2607.16768v1 Announce Type: new Abstract: Learning with noisy labels is a fundamental problem in training reliable deep neural networks. Robust loss functions provide a direct and effective way to mitigate the adverse effects of label noise. However, most existing robust lo…

  2. arXiv cs.CV TIER_1 English(EN) · Wenxiao Fan, Kan Li ·

    利用不相似性不变性作为噪声标签学习的鲁棒锚点

    arXiv:2607.17857v1 Announce Type: new Abstract: Deep learning models excel in visual recognition but suffer severe performance drops when training labels are corrupted by noise. Under label noise prior work cannot learn accurate similarities and thus misguide the learning process…

  3. arXiv stat.ML TIER_1 English(EN) · Robert Chew, Matthew R. Williams ·

    基于设计的监督学习与噪声人工标签

    arXiv:2607.15455v1 Announce Type: new Abstract: Researchers increasingly use automated classifiers to label unstructured data for statistical analysis. Existing rectification methods can correct errors in these automated labels using a probability-sampled audit set, but they usua…

相关实体

相关话题