BriefGPT - AI 论文速递
·
带有噪声标签的本地图聚类
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
该文介绍了一种新的联邦学习方案，通过交换类别的中心来保持一致的决策边界，实现了在网络中使用带有给定噪声的标签的一致决策边界。同时，还提出了选择有自信的样本来更新模型以及全局引导的伪标签方法来更新不自信的样本标签。实验证明，该方法在使用有噪声的标签的联邦学习中非常有效。
🎯
关键要点
- 提出了一种新的联邦学习方案，通过交换类别的中心来保持一致的决策边界。
- 该方案实现了在网络中使用带有给定噪声的标签的一致决策边界。
- 提出了选择有自信的样本来更新模型的方法。
- 提出了全局引导的伪标签方法来更新不自信的样本标签。
- 在嘈杂的CIFAR-10和Clothing1M数据集上的实验证明该方法的有效性。
➡️
