A Unified Framework for Connecting Noise Modeling to Boost Noise Detection

嘈杂的标签会影响模型的性能，因此学习如何处理带有噪声标签是一个重要的研究课题。传统方法有两种，即噪声建模和噪声检测。然而，这两种方法通常是独立研究的，它们之间的合作关系研究较少。本文探讨了将这两种方法相互结合的可能性，提出了一个由三个关键模块构成的相互连接的结构：噪声建模、源知识识别和使用噪声源知识整合方法进行增强噪声检测。这种合作结构具有诸如区分困难负样本和保留真正干净但可能有噪声的标签等优点。我们在四个数据集上进行了实验，这些数据集具有三种类型的噪声和每个模块的不同组合，结果显示这些组件的合作有效性。我们的合作结构方法在合成噪声数据集中的top-1分类准确率上可以提高10%，在真实世界的噪声数据集中可以提高3-5%。结果还表明，在不同的噪声情况下，这些组件对整体性能的贡献是不同的。这些发现为未来设计针对特定噪声场景的噪声标签学习方法提供了有价值的见解。我们的代码对公众开放。

本论文旨在探索噪声标签学习中噪声建模和噪声检测两种方法的协作，并提出了一个具有三个关键模块的互联结构，以提高学习性能。

论文提出了一种噪声建模和噪声检测的协作结构，其中包括噪声建模、源知识识别和噪声检测三个关键模块，并使用噪声源知识整合方法提高噪声检测的准确性。

论文的实验结果表明，该协作结构方法在合成噪声数据集中的top-1分类准确率提高了10％，在真实世界噪声数据集中提高了3-5％。此外，该方法可以鉴别困难负面和保留真正干净的标签，具有很高的实用性。论文的代码已经公开。

近年来，在噪声标签学习领域中，噪声建模和噪声检测两种方法都得到了广泛的研究。