参数加性分解法

分别学习干净与错误标签，显著提升标签噪声下的泛化性能。

Jingyi, Wang · Xia, Xiaobo · 蓝龙 · Xinghao, Wu · 於俊 · 杨文婧 · Han, Bo · Liu, Tongliang

IEEE Transactions on Pattern Analysis and Machine Intelligence 2024

技术优势

干净与噪声解耦

参数分解为σ和γ，分别负责干净和错误样本，训练中鼓励σ先充分记忆干净数据，随后抑制其更新以减少错误标签干扰。

测试更干净

测试时仅用参数σ，避免错误标签记忆对预测的影响，提升泛化能力。

应用场景

• 标签噪声学习：提供一种不依赖清洗的鲁棒训练方法，让模型从含噪数据中学习。
• 深度神经网络训练：通过参数分解与阶段性更新策略，提升网络在噪声下的训练稳定性。
• 计算机视觉：可应用于图像分类等视觉任务，缓解标注噪声导致性能下降。