信息互补的锐度感知最小化的标签噪声学习

摘要

标签噪声在机器学习和计算机视觉应用中是一个普遍存在的问题。锐度感知最小化通过向模型参数空间中引入对抗性权重扰动，有效地提升了在噪声标签数据环境下学习模型的泛化性能。但是由于标签噪声的存在，锐度感知最小化难以在每批噪声数据中找到正确的对抗性扰动。为了克服这一问题，采用信息互补的锐度感知最小化结合扰动前后信息实现互补的效果，以此更好地寻找正确的扰动方向。同时为了提高扰动方向的准确性，还引入了动态阈值策略来区分噪声样本与干净样本。在CIFAR10,CIFAR100和ANIMAL-10N等多个基准数据集上的大量实验结果也证实了该方法的优越性。本方法能够在噪声标签环境下有效减少噪声对扰动方向的干扰，提高分类准确度，且具备优秀的泛化能力。

关键词

机器学习 / 深度学习 / 神经网络 / 锐度感知最小化 / 标签噪声学习 / 模型泛化 / 扰动计算 / 信息互补