Poter

新的POTER框架提升机器学习模型在噪声和偏差下的鲁棒性

研究人员推出了一种新颖的重加权框架POTER，旨在提高机器学习模型在应对虚假相关性和标签噪声时的鲁棒性。POTER利用最优传输几何来衡量样本重要性，通过将训练分布与从验证注释派生的参考分布进行比较。这种方法有效地降低了标记错误或有偏差的样本的权重，优先考虑那些与参考分布更一致的样本。POTER的一个关键优势是它能够在单个训练阶段实现最先进的最差分组准确度，避免了多次重新训练的需要。