🔥 今日值得一读
标签噪声下12个干净设置排名第二，6个污染设置平均误差最低，BARGE单网络搞定不平衡学习
Bounded Adjustment with Reliability-Guided Embedding for Imbalanced Learning with Noisy Labels
👨💼 主理人解读 · 为什么值得关注
解决不平衡数据中噪声标签被放大的问题，适合训练数据脏且类别不均的开发者使用。
📖 AI 总结
本文提出BARGE方法，针对类别不平衡与标签噪声耦合导致的失败模式：频率校正虽能防止多数类主导决策，却会放大被错误标注的少数类样本的影响。BARGE将受限的先验调整密度幂评分与可靠性引导的角几何结合为单阶段目标，其分类评分在调整概率空间中严格proper，在干净监督与真实类先验下可恢复平衡贝叶斯排序；在标签污染下，有限值域限制了固定预测器的分类风险扰动，且当模型自信地违背给定标签时其logit梯度会重新下降。方法无需噪声率或转移矩阵，仅用单一网络且推理不变。在CIFAR-10、CIFAR-100和Tiny ImageNet的长尾与步进不平衡设置下，含干净标签及20%、40%随机错误标签替换的实验中，BARGE在全部六种污染设置取得最低平均平衡误差，将六设置均值从最强对比方法的72.32%降至70.00%，并在每种污染设置下获得最高macro-F1与macro-AUPRC。消融表明类等角紧致性优于单独使用受限评分，支持受限预测影响与可靠性引导几何作为互补机制。
🔑 关键词速览
| BARGE | 本文提出的单阶段目标函数，结合有界调整得分与可靠性引导嵌入，用于处理类别不平衡和标签噪声。 |
| 类别平衡学习 | 通过调整决策规则或损失函数，防止多数类主导模型训练，从而提升少数类识别性能的方法。 |
| 标签噪声 | 训练数据中存在的错误或污染标签，会干扰模型学习并放大类别不平衡的负面影响。 |
| 可靠性引导嵌入 | 利用模型对标签可靠性的估计来引导特征空间中的角度几何，使同类特征更紧凑、异类方向更分离。 |
| 有界调整 | 通过限制分类得分或风险扰动的取值范围，增强模型在标签污染下的鲁棒性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅