摘要

基于半监督学习的方法是当前处理标签噪声问题的最先进（SOTA）解决方案，其核心思想是首先学习一个无监督的标签清洗器（label cleaner），将训练样本划分为两类：用于清洁数据的有标签集合和用于噪声数据的无标签集合。通常情况下，该清洗器通过拟合每个样本训练损失的分布来构建混合模型实现。然而，这种建模过程是类别无关的（class agnostic），并假设不同类别中清洁样本与噪声样本的损失分布保持一致。遗憾的是，在实际应用中，由于各类别学习难度存在差异，这一假设往往不成立，从而导致标签噪声划分标准次优。本文揭示了这一长期被忽视的关键问题，并提出了一种简单而有效的解决方案，命名为基于类别原型的标签噪声清洗器（Class Prototype-based label noise Cleaner, CPC）。与以往方法对所有类别一视同仁不同，CPC 充分考虑了损失分布的类别异质性（loss distribution heterogeneity），并引入类别感知的调制机制，实现对清洁与噪声数据的更精准划分。CPC 同时利用损失分布建模与特征空间中的类内一致性正则化（intra-class consistency regularization），从而更有效地识别和分离真实标签与噪声标签。本文从期望最大化（Expectation-Maximization, EM）框架出发，对所提方法的有效性进行了理论分析与解释。我们在多个主流标签噪声基准数据集上进行了广泛实验，包括 CIFAR-10、CIFAR-100、Clothing1M 和 WebVision。实验结果表明，CPC 在所有基准上均能稳定提升模型性能。相关代码与预训练模型将开源发布于：https://github.com/hjjpku/CPC.git。