释放开放集嘈杂样本潜力：针对医学图像分类的标签噪声
内容提要
本文提出了一种新的对比学习方法，通过结合开放集样本与闭集样本，提高模型在标签噪声下的准确性和鲁棒性。研究还介绍了正则化方法和新的迭代学习框架，以解决嘈杂标签问题，实验结果表明该方法在开放集和闭集分类中表现优异。
延伸解读
开放集噪声：医学图像分类的隐藏挑战
医学图像标注中，除了闭集内的标签错误，还存在真实类别不在预设类别中的开放集样本。这类样本若被强行归入闭集，会误导模型训练。本文提出的CECL方法将部分开放集样本合并入闭集类以提高准确率，同时将其他开放集样本作为界限以增强代表性，为处理混合标签噪声提供了新思路。
正则化与迭代学习：提升噪声鲁棒性的关键
针对开放集动态噪声标签，ODNL正则化方法能提升深度神经网络的容错能力，并在分布外检测中表现更佳。此外，迭代学习框架通过噪声标签检测和清晰标签权重设计，使卷积神经网络在高比例开放集和闭集噪声下仍能稳健训练。这些技术共同增强了模型对噪声标签的抵抗力。
从基准到算法：EvidentialMix的实证优势
研究将开放式与封闭式噪声标签结合，并引入基准评估。提出的EvidentialMix算法与已有封闭式和开放式噪声分类算法相比，产生了更优的分类结果和特征表示。这表明，同时处理两类噪声有助于提升模型在复杂噪声环境下的泛化能力。
跨域与检索：噪声鲁棒技术的延伸
开放集域自适应方法通过提取未知实例的高置信度集合来收紧分类边界，在Office-31和Office-Home数据集上取得显著增益。无监督对比特征学习结合奇异谱嵌入和离群点敏感聚类，能检测噪声并利用分布外样本引导对比学习。这些技术展示了噪声鲁棒方法在跨域和检索任务中的潜力。
Q&A
CECL对比学习方法的主要优势是什么？
CECL对比学习方法通过将开放集样本与闭集样本结合，提高了模型在标签噪声下的准确性和鲁棒性。
ODNL正则化方法如何提高深度神经网络的容错能力？
ODNL正则化方法通过使用开放集动态噪声标签，增强了深度神经网络在标签噪声下的容错能力。
EvidentialMix算法的主要特点是什么？
EvidentialMix算法结合了开放式和封闭式的嘈杂标签，能够产生优秀的分类结果和更好的特征表示。
如何解决类不平衡问题？
通过提出类平衡采样策略，可以有效应对类不平衡问题，并扩展到噪声特征辅助的干净标签解藕框架。
该研究如何改进开放集域自适应方法的分类边界？
通过提取未知实例的高置信度集合，作为限制条件来收紧开放集域自适应方法的分类边界。
该研究的实验结果如何？
实验结果表明，提出的方法在开放集和闭集分类中表现优异，取得了新的最优性能。
