基于特征空间保持的机器反学习方法,实现含噪声标签条件下的鲁棒图像分类
《IEEE Access》:Feature Space-Preserving Machine Unlearning for Robust Image Classification with Noisy Labels
【字体:
大
中
小
】
时间:2026年03月24日
来源:IEEE Access 4.2
编辑推荐:
摘要:在数据干净的情况下,深度神经网络在图像分类任务中表现优异,但当使用有噪声的标签进行训练时,其性能会显著下降。与传统方法通过样本选择或损失修正来解决这一问题的方式不同,本研究提出了一种全新的思路,即利用机器“遗忘”功能来选择性地忽略有噪声的样本。现有的遗忘方法,如可扩展的记忆
摘要:
在数据干净的情况下,深度神经网络在图像分类任务中表现优异,但当使用有噪声的标签进行训练时,其性能会显著下降。与传统方法通过样本选择或损失修正来解决这一问题的方式不同,本研究提出了一种全新的思路,即利用机器“遗忘”功能来选择性地忽略有噪声的样本。现有的遗忘方法,如可扩展的记忆与遗忘算法,会导致特征空间出现过度分散,从而使决策边界变得模糊不清。因此,本文介绍了一种能够保留特征空间结构的遗忘框架,该框架在消除有噪声标签影响的同时,还能保持模型的区分能力。所提出的方法首先从可靠样本中计算出类别质心,然后采用双重优化策略:将有噪声样本从所有质心处推开,同时将干净样本拉向对应的类别中心。在CIFAR-10和CIFAR-100数据集上进行的实验表明,无论噪声是对称的还是不对称的(噪声比例从10%到90%不等),我们的方法都优于传统的遗忘技术,在高噪声条件的CIFAR-100数据集上,准确率提升了多达27.61个百分点。此外,我们还验证了,即使针对那些使用最先进的噪声标签学习方法训练得到的模型,我们的方法依然有效。可视化分析结果显示,即便进行了强烈的遗忘处理,我们的方法仍能保持类别簇的紧凑性及清晰的边界。相关代码可在https://github.com/meruemon/FSPMU地址获取。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号