PulseAugur
中
实时 21:55:34
English(EN) Task-Agnostic Noisy Label Detection via Standardized Loss Aggregation

新框架通过损失聚合识别数据集中的噪声标签

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为标准化损失聚合（SLA）的新框架，用于识别大型数据集中，特别是医学影像数据集中，噪声标签的存在。SLA通过聚合重复交叉验证运行的标准差验证损失来量化标签的可靠性，提供一个连续且可解释的分数。与现有的硬计数方法相比，该方法更有效，尤其是在低噪声场景下，并有助于提高各种分类任务的数据集质量。 AI

影响 引入了一种提高AI训练数据质量的新方法，有望带来更可靠的模型。

排序理由 该集群包含一篇详细介绍噪声标签检测新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

新框架通过损失聚合识别数据集中的噪声标签

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Doohyun Park ·

    Task-Agnostic Noisy Label Detection via Standardized Loss Aggregation

    Noisy labels are common in large-scale medical imaging datasets due to inter-observer variability and ambiguous cases. We propose a statistically grounded and task-agnostic framework, Standardized Loss Aggregation (SLA), for detecting noisy labels at the sample level. SLA quantif…

相关实体

相关话题