样本学习风险去噪

硬清洁样本不误杀

该方法引入样本学习风险指标，综合学习难度与特征相似度，能在带噪标签训练中更准确地区分困难清洁样本和噪声样本，并利用重标记增强策略强化困难样本的学习。

Deng, Lihui · 杨波 · Kang, Zhongfeng · Jiajin, Wu · Shaosong, Li · 向艳萍

Complex and Intelligent Systems 2024

技术优势

困难干净样本不误删

学习风险综合学习难度和特征相似度，能区分不规则特征模式的困难干净样本与真正的噪声样本。

噪声识别更准

相比仅依赖学习难度的现有方法，学习风险能更准确地识别噪声样本。

困难样本学得更好

通过重标记增强（RLA）防止记忆困难噪声样本，并强化对困难干净样本的学习。

应用场景

• 标签噪声学习：在噪声标注数据上训练更鲁棒的深度模型，无需人工清洗。
• 困难样本挖掘：保留不规则特征模式的困难干净样本，避免被误当噪声剔除。
• 数据清洗：基于学习风险精准筛选噪声样本，替代高损失一刀切的做法。