本文综述了部分标签学习(PLL)的进展,包括提出分类风险估计器以解决大规模数据计算瓶颈,IRNet通过噪声检测与标签修正处理噪声PLL,NPN结合负学习与标签模糊辨别,SoLar用最优传输做标签消歧,UPLLRS两阶段分离可靠标签,FsPLL适应小样本,PiCO用对比学习与原型消歧,以及对手感知学习、URRL鲁棒对比学习和PaPi原型分类器等方法。
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。
完成下面两步后,将自动完成登录并继续当前操作。