新的TRACE框架增强了从带噪声数据集中学习的能力

研究人员推出了一种新颖的TRACE框架，旨在提高从带噪声标签的数据集中学习的可靠性。TRACE通过独立评估观测标签和伪目标来解决翻新方法无意中用另一个不可靠信号替换一个不可靠信号的问题。该框架使用损失拟合、浅层关系稳定性和预测一致性来处理观测标签，同时使用模型置信度来处理伪目标。这种双源评估可以更精确地控制目标校正和监督强度，从而在带噪声的基准测试中获得更好的性能。 AI

影响 提高了在不完美数据上训练的机器学习模型的鲁棒性，有望带来更可靠的AI系统。

排序理由 该集群包含一篇详细介绍机器学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv
• ScienceCast
• TRACE

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →