抗噪时序学习框架

噪声标签稳健训练

通过特征表征净化与过采样学习，在不干净标注的时间序列数据上训练出无偏模型。

周志 · Yi-Xuan, Jin · 李宇峰

Frontiers of Computer Science 2024

技术优势

噪声标签下训练更准

通过降低标签噪声的破坏性影响获得鲁棒特征表示，并利用净化后的数据训练模型。

能扩充干净样本

利用净化后的数据和时序过采样技术训练无偏模型，改善含噪数据集的质量。

效果有保障

理论分析证明该方法能提升噪声数据集的质量，实验也证实其稳健超越现有方法。

应用场景