BriefGPT - AI 论文速递
·
基于过渡矩阵的 Dirichlet 分布的逐样本加权方法用于噪声标签学习
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文研究了噪声多标签学习中类相关的转换矩阵的可辨识性，并提出了一种新的估计器，该估计器利用标签相关性而无需锚点或精确拟合噪声类后验概率。通过信息提取纯净标签相关性，并利用这些事件概率暗示的标签相关性的差异，证明了转换矩阵的可辨识性，并通过解决双线性分解问题获得转换矩阵。实验验证了估计器在估计多标签噪声转换矩阵方面的有效性，导致出色的分类性能。
🎯
关键要点
-
研究噪声多标签学习中类相关的转换矩阵的可辨识性。
-
提出一种新的估计器，利用标签相关性，无需锚点或精确拟合噪声类后验概率。
-
通过信息提取纯净标签相关性，证明转换矩阵的可辨识性。
-
解决双线性分解问题以获得转换矩阵。
-
建立多标签转换矩阵估计器的估计误差界限。
-
推导统计一致算法的泛化误差界限。
-
实验验证估计器在估计多标签噪声转换矩阵方面的有效性，导致出色的分类性能。
➡️
