噪声标签下更稳健
通过引入不对称性满足贝叶斯最优条件，使深度模型在标签噪声下仍能可靠学习。
Zhou, Xiong · 刘贤明 · 翟德明 · Jiang J. · Xiangyang, Ji
IEEE Transactions on Pattern Analysis and Machine Intelligence 2023
损失函数设计满足贝叶斯最优条件，从理论上保证在噪声标签下仍能学到与干净数据一致的最优分类器。
与需要估计噪声转移矩阵的方法不同，该损失函数无需额外噪声建模步骤，直接训练即可获得噪声容忍性。
理论框架同时覆盖分类与回归任务，在图像复原等连续标签场景同样适用。
通过不对称比率控制损失的不对称程度，可灵活适配不同噪声水平。