Learning from Noisy Labels with Complementary Loss Functions
整理了文章的关键内容,内容源自 Learning from Noisy Labels with Complementary Loss Functions。
Abstract
- 鲁棒损失函数:容易发生欠拟合,可能不能完全学习到数据集的特征
- CE交叉熵损失函数:容易过拟合,通过迭代会过拟合噪声标签
作者联合两种损失函数进行训练,实现互补
Introduction
- 作者将现在的噪声处理方式分为以下四大类:
- label transition matrix噪声转移矩阵
- importance reweighting样本重新加权
- self/co-training strategy从模型本身或协同学习的模型中学习
- the robust loss functions鲁棒的损失函数
- robust loss functions可以有效防止过拟合,但会出现欠拟合问题;
CELoss不易出现欠拟合,但在噪声数据集中会过拟合;
已经有相关工作将二者结合,但是其只有部分鲁棒,对复杂数据集效果不佳
Method
- 现有方法的假设:标签噪声是均匀或者类相关的
- CE和MAE在噪声鲁棒性上:
如果考虑样本类别的整体分布是均匀的
可以发现MAE满足对称条件,在文献中可以知道MAE对满足假设的噪声是鲁棒的
相反CELoss是标签敏感的 - CE和MAE在学习效率上:
CE和MAE对模型参数求梯度:
显而易见,当在干净的数据集中,fj(x)如果很小(不接近1,预测不准),那么CE带来的梯度很大;但是MAE对所有预测的态度是一致的,因此拟合速度较慢,容易欠拟合
欠拟合问题导致归一化loss不能独立作为loss函数 - 给出结论,即loss函数的选取是在过拟合和欠拟合中找折中
- Learning with Complementary Loss Functions
主要算法:
Twarmup之前,模型可以直接从原始数据集用CELoss直接学习
Twarmup之后,CELoss有过拟合趋势,此时采用Complementary Loss
- Eq(7):
多个模型输出的平均值作为预测值(集成学习产生) - 生成伪标签数据集
B
~
\tilde{B}
B~
- 作者认为简单的样本在不同的学习迭代中具有稳定的输出,困难的样本具有不稳定的预测
作者使用熵较低的预测值作为新一轮的伪标签数据集 B ~ \tilde{B} B~’
- 选择一定的硬样本作为补充
- 计算总的loss
Reason
- 简单样本在不同时期一般具有稳定的输出。简单学习了数据集的结构特征后,可以有效生成一些伪标签来使得CELoss的过拟合趋势减小
- 硬样本可能带有边界相关的决策知识,作者发现用简单样本,硬样本和随机样本的训练如下,纯简单样本效果不如另外两个