摘要

标签噪声与类别不平衡在现实世界数据中常常同时存在。然而，以往针对鲁棒学习的研究通常仅关注其中一种数据偏差，当二者共存时性能显著下降。为弥补这一差距，本文提出一种基于元学习的动态损失函数，能够根据训练过程自动调整目标函数，从而在长尾噪声数据上稳健地学习分类器。具体而言，该动态损失由标签校正器和边界生成器两部分组成：前者用于修正噪声标签，后者则通过感知数据的内在分布及分类器的学习状态，为每一类别生成可加的分类边界。结合一种新型的分层采样策略，该策略通过引入多样且困难的样本，丰富少量无偏的元数据，使动态损失中的两个组件通过元学习联合优化，进而促使分类器更好地适应干净且平衡的测试数据。大量实验表明，该方法在包含多种数据偏差的多个真实世界与合成数据集（如CIFAR-10/100、Animal-10N、ImageNet-LT和Webvision）上均取得了当前最优的分类准确率。代码即将公开。