标签噪声鲁棒学习算法

特征演化下可泛化

该算法针对特征空间动态演化和标签噪声并存场景，提供可证明的泛化误差界，并适配深度神经网络实现。

张振宇 · 姜远

Jisuanji Yanjiu yu Fazhan/Computer Research and Development 2023

技术优势

可证明泛化

作者给出的泛化误差分析为模型在变化特征空间下的性能提供理论保障。

同时处理两种难题

算法同时应对特征空间演化和标签噪声，避免了分步处理带来的误差累积。

深度网络可移植

算法由深度神经网络实现，可无缝嵌入现有深度学习框架与硬件加速。

应用场景

• 动态环境数据流学习：直接部署在传感器动态增删的流数据上，无需人工干预。
• 噪声标签鲁棒分类：在人工标注易错的场景下训练，分类器不因个别错误标签而失效。
• 在线学习与概念漂移：当数据分布随环境漂移时，模型仍能更新并保持性能。
• 深度神经网络训练：将提出的差异度量用于深度网络训练，提升泛化能力。