摘要
在标签噪声学习中，\textit{噪声转换矩阵}（即干净标签翻转为噪声标签的概率）在构建\textit{统计一致性分类器}方面起着核心作用。现有的理论表明，通过利用\textit{锚点}（即几乎确定属于某一特定类别的数据点），可以学习到转换矩阵。然而，当没有锚点时，转换矩阵的学习效果会很差，导致当前的一致性分类器显著退化。本文提出了一种无需使用锚点的\textit{转换修正}（$T$-Revision）方法，以有效学习转换矩阵，从而获得更好的分类器。具体而言，为了学习一个转换矩阵，我们首先通过利用类似于锚点的数据点进行初始化，这些数据点具有较高的\textit{噪声类别后验概率}。然后，我们在初始化的矩阵中添加一个\textit{松弛变量}，该变量可以通过使用噪声数据与分类器一起学习和验证。基准模拟和真实世界标签噪声数据集上的实证结果表明，在不使用精确锚点的情况下，所提出的方法优于最先进的标签噪声学习方法。
代码仓库
xiaoboxia/T-Revision
官方
pytorch
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| learning-with-noisy-labels-on-cifar-100n | T-Revision | Accuracy (mean): 51.55 |
| learning-with-noisy-labels-on-cifar-10n | T-Revision | Accuracy (mean): 88.52 |
| learning-with-noisy-labels-on-cifar-10n-1 | T-Revision | Accuracy (mean): 88.33 |
| learning-with-noisy-labels-on-cifar-10n-2 | T-Revision | Accuracy (mean): 87.71 |
| learning-with-noisy-labels-on-cifar-10n-3 | T-Revision | Accuracy (mean): 87.79 |
| learning-with-noisy-labels-on-cifar-10n-worst | T-Revision | Accuracy (mean): 80.48 |