利用网络参数叠加分解解决噪声标签问题

提出了一种新型持续学习方法APD，通过加性参数分解有效防止灾难性遗忘。

APD在可扩展性、精度和顺序鲁棒性方面明显优于现有的持续学习方法。

研究提出了一种基于稀疏过参数化和隐式正则化的优化方案，以处理标签噪声。

通过对标签噪声进行建模和分离，实现了对训练数据中的噪声数据清洗。

提出了一种可解释模型，通过分析理解广义表示，降低损坏数据的准确性，提高未损坏数据的准确性。

正则化方法（如权重衰减、dropout和BatchNorm）强制网络忽略损坏数据。

提出了一种基于韦布尔混合模型的迭代选择方法来识别干净数据，减少网络记忆对虚假标签数据的影响。

研究发现神经网络在存在噪声或不正确标签的情况下，往往会记住噪声信息，提出使用辅助网络来训练以提高泛化能力。

提出渐进式提前停止（PES）方法以对抗训练过程中的标签噪声，显著提高图像分类质量。

基于早期学习的新型噪声分类技术框架，防止深层神经网络过于依赖错误标注导致的过拟合现象。

研究表明，数据集本身在决定记忆化程度时具有重要作用，深度网络的泛化性能不太可能由数据集独立的有效容量来解释。