科研笔记:CL置信学习
形式问题规范和符号开始(第2节),
定义了用于CL的算法方法(第3节),《》《》《》《》《》《》《》《》《》《》《》《》《》
从理论上界定了理想和噪声条件下的预期行为(第4节)。
介绍了在CIF AR、ImageNet、Webvision和MNIST数据集上的实验基准,将CL性能与一系列竞争激烈的方法的性能进行交叉比较。(第5节)——包括INCV(Chen等人,2019年)、Mixup(Zhang等人,2018年)、MentorNet(酱等人,2018年)和联合教学(han等人,2018年)。
相关工作(第6节)
结论意见(第7节)结束了演讲。
主要定理、算法细节和综合性能比较数据的扩展证明。(附录)
以数据为中心的方法
①建立在类别条件噪声过程的假设基础上,以直接估计有噪声(给定)标签和未损坏(未知)标签之间的联合分布。
②**CL框架没有耦合到特定的数据通道或模型**Uniquely,
the CL framework isnotcoupled to a specific data modality or model
和以往工作的不同
是最后一步的类别权重导致的阈值吗?
CL使用阈值和冲突处理来克服这些缺点,以实现对类不平衡和跨类预测概率分布的异构性的健壮性。