论文标题: Continual Learning on Noisy Data Streams via Self-Purified Replay
论文链接:https://openaccess.thecvf.com/content/ICCV2021/html/Kim_Continual_Learning_on_Noisy_Data_Streams_via_Self-Purified_Replay_ICCV_2021_paper.html
代码:https://github.com/ecrireme/SPR
引用:Kim C D, Jeong J, Moon S, et al. Continual learning on noisy data streams via self-purified replay[C]//Proceedings of the IEEE/CVF international conference on computer vision. 2021: 537-547.
导读
在真实世界中进行持续学习必须克服许多挑战,其中标签带噪是一个常见且不可避免的问题。在这项工作中,我们提出了一个基于重放的持续学习框架,同时解决灾难性遗忘和噪声标签的问题。
我们的解决方案基于两个观察结果:(i) 即使通过自监督学习,使用噪声标签也可以减轻遗忘,并且(ii)重放缓冲区的纯度是至关重要的。基于此,我们提出了我们方法的两个关键组成部分: (i) 一种名为自重放的自监督重放技术,它可以规避由噪声标记数据产生的错误训练信号;(ii)一个自中心的滤波器,通过基于中心的随机图集合来维护干净的重放缓冲器。
在MNIST、CIFAR-10、CIFAR-100和WebVision上的实证结果表明,我们的框架可以在噪声流数据中保持高纯度的重放缓冲区,同时大大优于最先进的持续学习和噪声标签学习方法的组合。
本文贡献
据我们所知,这是第一个处理噪声标签的持续学习的工作。我们发现噪声标签会加剧灾难性遗忘,并且在将它们存储在重放缓冲区之前,从输入数据流中滤除这种噪声是至关重要的。
我们引入了一种名为Self-Purified Replay (SPR)的新型基于重放的框架,用于处理带有噪声标签的持续学习。SPR不仅能够保持干净的重放缓冲区,还能够在固定参数大小的情况下有效缓解灾难性遗忘。