简介：由于深度神经网络容易过拟合标签噪声，标签噪声会使得深度学习算法的性能下降。让X和Y分别表示实例和干净标签。当Y是X的原因时，例如许多数据集的产生机制(如SVHN和CIFAR)，P(X)和P(Y|X)的分布是纠缠的。这意味着无监督实例有助于学习分类器，从而减少标签噪声的副作用。然而，如何利用因果信息来处理标签噪声问题仍然是一个难题。在本文中，我们利用结构化的因果模型，提出了一种新的生成方法，用于实例依赖的标签噪声学习。特别地，我们表明适当地建模实例将有助于标签噪声转移矩阵的可识别性，从而学习到更好的分类器。从经验上看，我们的方法在模拟和真实标签噪声数据集上都优于所有最先进的方法。

论文链接：https://arxiv.org/pdf/2109.02986.pdf
推荐理由：本文提出了一个生成模型来解决含噪声标签的学习问题，并使用了结构因果模型来构建这样的生成模型，具有很好的启发意义。

内容中包含的图片若涉及版权问题，请及时与我们联系删除