不确定性引导的标签校正与波形转换的歧视性表示增强
Tingting Wu1, Xiao Ding1, Hao Zhang1
1Harbin Institute of Technology, 92 Xidazhi Street, Harbin, 150001, Heilongjiang, China.
概括
本研究介绍了Ultra,这是一种用于识别和纠正机器学习模型中混合标签噪声的新方法. 超级有效地处理封闭式和开放式噪声,改善模型的概括性.
科学领域:
- 机器学习 机器学习
- 计算机视觉 计算机视觉
- 数据科学数据科学数据科学
背景情况:
- 标签噪声,包括封闭式和开放式类型,降低了模型性能和概括性.
- 现有的方法与混合噪声作斗争,经常过于简化或丢弃有价值的开放式噪声数据.
- 强大的噪音识别对于现实世界的机器学习应用至关重要.
研究的目的:
- 开发一种新的方法,Ultra,用于减轻机器学习模型中混合标签噪声的影响.
- 通过有效处理封闭式和开放式噪声来解决现有方法的局限性.
- 提高机器学习模型在杂数据环境中的实际应用性.
主要方法:
- 使用可学习的波形波器来进行歧视性特征提取和在表示层面上进行虚假提示过.
- 采用双重不确定性估计来准确地定位监督信号中的噪声.
- 开发了一种标签校正技术,可以建设性地利用开放式噪声.
主要成果:
- 超级在识别和纠正合成,网络抓取和现实世界的数据集中的混合标签噪声方面表现出有效性和普遍性.
- 该方法成功地减轻了封闭式和开放式噪声的负面影响.
- 超级增强了高效技术的性能,如在杂的场景中监督对比学习.
结论:
- 超级为混合标签噪声识别和纠正提供了强大而有效的解决方案.
- 该方法提供了一种实际的方法来利用以前被认为有害的开放式噪声.
- 这项工作通过在现实的噪音条件下改进模型概括来推进强大的机器学习领域.
相关概念视频
01:14NMR Spectrometers: Resolution and Error Correction
686
When magnetic nuclei in a sample achieve resonance and undergo relaxation, the signal detected in NMR is an approximately exponential free induction decay. Fourier transform of an exponential decay yields a Lorentzian peak in the frequency domain. Lorentzian peaks in an NMR spectrum are defined by their amplitude, full width at half maximum, and position, where the peak width is governed by the spin-spin relaxation time alone. In real experiments, however, the applied magnetic field is rendered...
686
01:20¹³C NMR: Distortionless Enhancement by Polarization Transfer (DEPT)
1.0K
When proton-coupled carbon-13 spectra are simplified by a broadband proton decoupling technique, structural information about the coupled protons is lost. Distortionless enhancement by polarization transfer (DEPT) is a technique that provides information on the number of hydrogens attached to each carbon in a molecule. While the DEPT experiment utilizes complex pulse sequences, the pulse delay and flip angle are specifically manipulated. The resulting signals have different phases depending on...
1.0K