BadLabel: A Robust Perspective on Evaluating and Enhancing Label-Noise Learning
题目：BadLabel：评估与增强标签噪声学习的一种鲁棒视角
作者： J. Zhang; B. Song; H. Wang; B. Han; T. Liu; L. Liu; M. Sugiyama
源码：https://github.com/zjfheart/BadLabels
摘要
标签噪声学习（Label-noise learning, LNL）旨在提高模型在训练数据带有噪声标签的情况下的泛化能力。为了促进实用的LNL算法的发展，研究人员提出了不同类型的标签噪声，从类条件噪声到实例依赖噪声不等。在本文中，我们引入了一种新型的标签噪声类型，称为BadLabel，它可以通过大幅度降低现有LNL算法的性能来显著影响它们。BadLabel是基于标准分类的标签翻转攻击精心设计的，其中选择特定样本并将它们的标签翻转为其他标签，以便干净标签和噪声标签的损失值无法区分。为了应对BadLabel带来的挑战，我们进一步提出了一种鲁棒的LNL方法，该方法在每个时期以对抗性方式扰动标签，使干净和噪声标签的损失值再次可区分。一旦我们选择了一小部分（大多数）干净标记的数据，我们就可以应用半监督学习的技术开发模型。从经验上讲，我们的实验结果表明，现有的LNL算法容易受到新引入的BadLabel噪声类型的影响ÿ
![AI论文速读 |<span style='color:red;'>2024</span>[<span style='color:red;'>TPAMI</span>]【综述】自监督<span style='color:red;'>学习</span>在时间序列分析<span style='color:red;'>的</span>分类、进展<span style='color:red;'>与</span>展望](https://img-blog.csdnimg.cn/img_convert/4846973252d2aaff086a1467353d9428.png)
