노이즈 레이블 학습

Accedi

approfondimento - 노이즈 레이블 학습

노이즈 레이블 학습을 위한 두 가지 스트림 샘플 증류

노이즈 레이블 학습을 위해 두 가지 스트림 샘플 증류 방법을 제안한다. 이 방법은 특징 공간과 손실 공간의 정보를 함께 고려하여 더 많은 고품질 샘플을 추출하여 네트워크 학습을 강화한다.

노이즈 레이블이 있는 데이터에서 동료 합의 기반 샘플 선택을 통한 효율적인 학습

노이즈 레이블 데이터에서 동료 모델 간 예측 합의도를 이용하여 깨끗한 샘플과 노이즈 샘플을 효과적으로 구분하고, 이를 통해 기존 노이즈 레이블 학습 모델의 성능을 향상시킬 수 있다.

노이즈 레이블 학습을 위한 퍼텐셜 에너지 기반 혼합 모델

노이즈 레이블이 있는 데이터에서 강건한 딥 신경망 모델을 학습하기 위해 퍼텐셜 에너지 기반 혼합 모델(PEMM)을 제안한다. PEMM은 거리 기반 분류기와 클래스 중심에 대한 퍼텐셜 에너지 정규화를 결합하여, 데이터의 내재적 구조를 보존하고 노이즈 레이블에 덜 의존적인 표현을 학습할 수 있다.

Chi Siamo

Prodotti | Risorse

Approfondimenti