非对称协同训练模型

误差累积缓解

通过双任务非对称协同训练机制，让两个网络从不同视图相互纠错，显著缓解部分标签学习中的误差累积问题。

Li, Beibei · Yiyuan, Zheng · 金蓓弘 · 向涛 · Wang, Haobo · Feng, Lei

Science China Information Sciences 2025

技术优势

不再累积误差

通过信息蒸馏和置信度细化，两个网络相互纠错，缓解自训练 PLL 中的误差累积问题。

无需额外标注

辅助网络利用由标签置信度构造的成对相似度标签进行监督学习，不需要人工标注。

两种标注设置都有效

在均匀和实例相关的部分标签数据集上均进行了大量实验，验证了模型有效性。

应用场景

• 弱监督学习：为部分标签这类弱监督场景提供更稳定的训练策略，直接提升模型在候选标签含噪时的性能。
• 图像分类：部分标签常见于图像标注，AsyCo 可在无精确标签的情况下训练出更可靠的分类器。
• 噪声标签学习：通过双网络互纠降低噪声标签带来的误差累积，适合候选标签集含噪的任务。