A Time-Consistency Curriculum for Learning From Instance-Dependent Noisy Labels
题目:一种针对实例依赖噪声标签的时间一致性学习课程
作者:Songhua Wu , Tianyi Zhou , Yuxuan Du , Jun Yu , Bo Han , and Tongliang Liu
摘要
许多机器学习算法被证明对于简单的实例独立噪声标签是脆弱的。然而,现实世界数据中的噪声标签由于更复杂的机制以实例依赖的方式产生,因此更具破坏性。在本文中,我们针对实例依赖噪声标签这一实际挑战,通过联合训练:(1) 一个反向工程模型,该模型产生清洁标签后验与观察到的噪声标签之间的实例依赖映射;(2) 一个鲁棒分类器,它产生清洁标签后验。与先前的方法相比,前者模型是新颖的,并且能够直接从噪声标签中端到端地学习后者。广泛的实证研究表明,数据的时间一致性对训练这两个模型的成功至关重要,这激发了我们根据它们在训练过程中两个模型输出的动态选择训练数据的课程开发。我们展示了课程选择的数据提供了清洁标签和高质量的输入-输出对,用于训练这两个模型。因此