长尾标签噪声的两阶段主动清洁策略
Xiao Lin1, Zeyu Rong2, Yan Li3
1The College of Information, Mechanical and Electrical Engineering, Shanghai Normal University, Shanghai, China; Shanghai Intelligent Education Big Data Engineering Technology Research Center, Shanghai Normal University, Shanghai, China; Lab for Educational Big Data and Policymaking, Ministry of Education, Shanghai Normal University, Shanghai, China; Shanghai Online Education Research Base for Primary and Secondary Schools, Shanghai, China.
我们推出了两阶段的积极标签清洁策略,以有效处理带有标签噪声的长尾数据. 这种方法增强了特征表示,并使用主动学习来最大限度地降低重新注释成本,提高了分类性能.
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:
- 长尾数据在现实应用中存在挑战,原因是不平衡的类和标签噪声.
- 对于杂的长尾数据的现有方法通常需要大量的计算和手动注释努力.
研究的目的:
- 为带有标签噪声的长尾数据集提出一种新的,具有成本效益的两阶段主动标签清洁策略.
- 提高特征表示质量,有效识别和纠正错误标记的样本.
主要方法:
- 第一个阶段:平衡的以类为中心的对比学习 (BCCL),以改善特征表示和检测潜在的标签噪声.
- 第二阶段:以不确定性为基础的积极学习,用于重点重新标记高不确定性样本.
- 代的重新标记过程,以完善分类性能和优化注释资源.
主要成果:
- 拟议的方法在各种噪声比率和失衡水平上显示出稳定性.
- 显著优于最先进的方法,在CIFAR10-LT.上取得了5.17%的相对改善.
- 在红色迷你图像网数据集上达到38.37%的准确性,在高噪音场景中表现优于现有的基线.
结论:
- 两阶段的活跃标签清洁策略有效地提高了对杂,长尾数据的分类性能.
- 尽量减少注释工作量,并通过高效的样本选择进行重新标记来优化资源利用.
- 为处理具有标签噪声和类不平衡的具有挑战性的真实世界数据集提供了卓越的解决方案.
相关概念视频
Long-patch Base Excision Repair
Nonsense-mediated mRNA Decay
Usually, Upf3 binds to an Exon Junction Complex (EJC) at mRNA splice sites. If a ribosome fully translates the mRNA,...
NMR Spectrometers: Resolution and Error Correction
¹³C NMR: ¹H–¹³C Decoupling
A broadband decoupling technique is used to simplify these complex, sometimes overlapping, signals. Broadband decoupling relies on a...
Difference from Background: Limit of Detection
The LOD indicates the presence or absence...
Double Resonance Techniques: Overview
Spin decoupling is usually achieved by...


