Fabrizio Boncoraglio

研究发现，在标签噪声下，提前停止不一定总是有益的

一篇新研究论文探讨了在面对噪声标签时，机器学习模型中提前停止的有效性。该研究使用了一个合成噪声分类任务并在 CIFAR-10 上进行了实验，表明在某些情况下，特别是对于更深的卷积网络，插值（训练超过所有标签都被分类的点）可以比提前停止获得更好的泛化能力。该研究引入了一个相图来说明学习共享关系和拟合噪声之间的平衡如何影响不同核类型和训练时间的泛化误差。