PulseAugur
中
实时 07:03:26
English(EN) When Accuracy Is Not Enough: Uncertainty Collapse between Noisy Label Learning and Out-of-Distribution Detection

新方法解决AI数据集中的噪声标签问题

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种名为标准化损失聚合（SLA）的新方法，用于检测大型数据集中的噪声标签，特别是在医学影像领域。SLA通过分析交叉验证运行中的标准化损失来量化标签的可靠性，提供比简单的硬计数方法更连续、信息量更丰富​​的度量。实验表明，SLA在识别模糊或错误标记的样本方面更有效、更快，有助于提高分类任务的数据集质量。另一项研究强调了一个名为“不确定性崩溃”的问题，即在噪声标签上训练的模型可以达到高准确率，但无法可靠地区分分布外数据与错误分类的分布内数据。 AI

影响 处理噪声标签的新技术可以提高AI模型的可靠性和鲁棒性，尤其是在医学影像等关键领域。

排序理由 该集群包含两篇学术论文，详细介绍了处理机器学习中噪声标签的新方法。

在 Hugging Face Daily Papers 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新方法解决AI数据集中的噪声标签问题

报道来源 [2]

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

    通过标准化损失聚合实现任务无关的噪声标签检测

    arXiv:2605.10165v2 Announce Type: replace-cross Abstract: 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), f…

  2. Hugging Face Daily Papers TIER_1 English(EN) ·

    当准确性不足以说明问题时：噪声标签学习与分布外检测之间的不确定性崩溃

    Learning with noisy labels (LNL) is typically benchmarked by closed-set classification accuracy, yet deployment often requires classifiers to reject out-of-distribution (OOD) inputs. We present a learner-agnostic ACC-OOD benchmark that freezes LNL checkpoints and evaluates them w…

相关话题