--百度转载20240512--复现论文算法-Deep Self-Learning From Noisy Labels-

上周读了几篇关于如何处理noisy label的论文，这里记录一下对于论文Deep Self-Learning From Noisy Labels的一些理解以及自己的代码实现。

文中主要提出了一个矫正noisy label的方法，以及如果利用这些矫正过的标签。从上图可以看出，整个流程分为两个部分，上半部分其实就是普通的分类网络，网络结构任意，只是在计算loss时，同时计算了原始label的loss以及下半部分矫正过的label的loss。文章的重点在下半部分，即如果矫正noisy label。

作者通过相似性评测计算，为每个类别选出了若干个prototypes，然后再计算所有数据和这些prototypes的相似性均值，与哪一类的值小，说明越接近那一类，则将label改成那一类。在计算相似性上，作者没有使用常用的距离来算，而是使用了cosine来算相似性。

为了为每个类别选出具有代表性的而他们之间又有一定差异的prototypes，作者又使用了一个不是很复杂的trick，具体可以参考论文描述。

作者上边的这个矫正noisy label的操作，其实相当于对数据做了一次聚类，只是将聚类相似性计算换成了cosine，并且选出了多个prototypes，即多个中心点。

从论文的结果看效果还不错，作者分别手动生成了不等比例的symmetric和asymmetric的noisy label进行测试。由于作者没有开源代码，而且网上也没找到其他人的实现，刚好我对这方面也比较熟悉，所以自己动手复现了一下。

我自己测试集使用的是fashion-mnist，分别进行了symmetric测试和asymmetric测试，发现结果不够稳定。对于symmetric的效果比较明显，而对于asymmetric noisy label的处理基本无效。而且我又尝试了一下对于聚类结果的label再用此算法矫正，发现结果很平稳，没有下降，也没有提升，基本无效。

比较失望，先将代码公布一下，有不完善的地方，欢迎交流指正。

https://github.com/sarsbug/SMP

参考链接百度安全验证https://baijiahao.baidu.com/s?id=1663333704137002338