噪声下精度不塌
先用联合训练剔除可疑样本，再用斜坡损失消化残余标签噪声，训练流程无需额外迭代。
汤龙 · Pan, Zhao · 潘志庚 · 段星星 · Pardalos, Panos M.
Information Sciences 2024
专门为ZSL设计的联合训练与协同正则化损失函数，能在训练ZSL模型前有效剔除疑似噪声标签的样本。
斜坡式损失函数能降低剩余噪声标签的负面影响，即使未能完全剔除噪声样本，模型仍能保持稳定。
动态筛选策略处理斜坡损失的非凸性时无需额外迭代循环，比传统凹凸过程更高效。