BriefGPT - AI 论文速递
·
Conformal-in-the-Loop Method for Learning with Imbalanced Noisy Data
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本研究提出了一种新的训练框架“循环保形方法”（CitL），旨在解决大规模数据集中类别不平衡和标签噪声问题。该方法通过评估样本不确定性、调整权重和剔除不可靠示例，提高模型的鲁棒性和准确性。实验结果表明，CitL在噪声和不平衡数据集中的分类准确率提高了6.1%。
🎯
关键要点
-
本研究提出了一种新的训练框架“循环保形方法”（CitL），旨在解决大规模数据集中类别不平衡和标签噪声问题。
-
CitL方法通过评估样本不确定性、调整权重和剔除不可靠示例，提高模型的鲁棒性和准确性。
-
实验结果表明，CitL在噪声和不平衡数据集中的分类准确率提高了6.1%。
🏷️
