BriefGPT - AI 论文速递
·
不可靠局部标签学习的鲁棒表示学习
原文中文，约200字，阅读约需1分钟。
📝
内容提要
该文介绍了一种利用不可靠偏标签强健对比学习方法来增强模型对不可靠偏标签的鲁棒性的方法。同时，通过基于KNN的候选标签集校正和基于一致性正则化的标签消歧来提高标签质量和增强URLL框架中的表示学习能力。实验证明该方法在不同数据集上的性能超过了现有方法，并从期望最大化算法的角度对此方法进行了理论分析。
🎯
关键要点
-
利用不可靠偏标签强健对比学习方法增强模型对不可靠偏标签的鲁棒性。
-
结合基于KNN的候选标签集校正提高标签质量。
-
基于一致性正则化的标签消歧增强URRL框架中的表示学习能力。
-
实验证明该方法在不同数据集上的性能超过了现有方法。
-
从期望最大化算法的角度对该方法进行了理论分析。
🏷️
