标签噪声过滤提升框架

边界样本降复杂度

通过样本约简降低边界样本复杂度并将聚集标签噪声转化为完全随机噪声，提升现有滤波器对聚集噪声的处理能力。

Qingqiang, Chen · 姜高霞 · 曹付元 · 门昌骞 · Wenjian, Wang · 陈庆强

Pattern Recognition 2024

技术优势

处理簇状噪声更有效

通过样本约简将LLC转化为NCAR，使得现有滤波器能够更准确地识别噪声样本。

保护边界样本

通过降低边界样本复杂度，减少滤波器对边界样本的误删，从而提高分类器的泛化能力。

普适性强

该框架可以提升现有基于分类器预测的滤波器的性能，不局限于特定滤波器。

应用场景

• 数据清洗：在模型训练前去除噪声样本，提升数据质量，减少人工清洗成本。
• 噪声标签处理：针对实际数据中常见的聚集标签噪声，提高识别和清除的准确率。
• 分类器训练：通过更干净的数据和保留的边界样本，训练出泛化能力更强的分类器。