摘要
在标签噪声学习中，转移矩阵在构建统计一致分类器方面起着关键作用。现有的转移矩阵一致估计方法通常依赖于锚点（anchor points）的假设。然而，在实际场景中，锚点假设并不总是成立。本文提出了一种无需依赖锚点的端到端框架，用于解决标签噪声学习问题。该框架同时优化两个目标：神经网络预测概率与噪声标签之间的交叉熵损失，以及由转移矩阵列向量构成的单纯形体积。所提出的框架在清洁类别后验概率足够分散的条件下，能够识别出转移矩阵。这是迄今为止关于转移矩阵可辨识性可被严格证明、且学习到的分类器具有统计一致性的最宽松假设。在基准数据集上的实验结果表明，该方法具有良好的有效性与鲁棒性。
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| learning-with-noisy-labels-on-cifar-100n | VolMinNet | Accuracy (mean): 57.80 |
| learning-with-noisy-labels-on-cifar-10n | VolMinNet | Accuracy (mean): 89.70 |
| learning-with-noisy-labels-on-cifar-10n-1 | VolMinNet | Accuracy (mean): 88.30 |
| learning-with-noisy-labels-on-cifar-10n-2 | VolMinNet | Accuracy (mean): 88.27 |
| learning-with-noisy-labels-on-cifar-10n-3 | VolMinNet | Accuracy (mean): 88.19 |
| learning-with-noisy-labels-on-cifar-10n-worst | VolMinNet | Accuracy (mean): 80.53 |