通过实例级困难建模与动态优化处理标签噪声

本文针对深度神经网络在噪声监督下泛化能力下降的问题，提出了一种新的两阶段噪声学习框架。该框架通过动态加权损失函数实现实例级优化，无需超参数调优，并引入了一种简单有效的度量标准“错误事件”来动态建模样本的清晰度和困难度。实验表明，该方法在性能上超越了现有最佳方法，计算时间减少近75%，并改善了模型的可扩展性。