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。

__EOF__

本文作者：ice猫猫3
本文链接：https://www.cnblogs.com/icemiaomiao3/p/15778353.html
关于博主：评论和私信会在第一时间回复。或者直接私信我。
版权声明：本博客所有文章除特别声明外，均采用 BY-NC-SA 许可协议。转载请注明出处！
声援博主：如果您觉得文章对您有帮助，可以点击文章右下角【推荐】一下。您的鼓励是博主的最大动力！