摘要

传统学习方法在处理带噪声标签的数据集时，虽能有效应对人为注入噪声的场景，但在应对现实世界中的噪声数据方面仍存在明显不足。随着元学习在机器学习多个领域的广泛应用，研究者们开始利用辅助的小规模干净数据集对训练标签进行元校正。然而，现有的元标签校正方法尚未充分发挥其潜力。在本研究中，我们提出了一种增强型元标签校正方法（Enhanced Meta Label Correction，简称 EMLC），用于解决带噪声标签的学习（Learning with Noisy Labels, LNL）问题。我们重新审视了元学习过程，提出了更快速且更精确的元梯度推导机制，并设计了一种专为LNL问题量身定制的新型教师网络架构，同时引入了创新的训练目标。实验结果表明，EMLC在所有标准基准测试中均显著优于现有方法，达到了当前最优性能。特别地，在真实世界噪声数据集Clothing1M上，EMLC相较于先前最优方法提升了1.52%的准确率，同时每轮训练时间仅为基线方法的50%，且元目标函数的收敛速度也大幅加快。