利用弱监督或有噪声的监督来构建有效的机器学习模型一直是一个重要的研究问题。由于训练深度学习模型对大规模数据集的需求越来越大,其重要性最近进一步增加。弱或嘈杂的监督可能来自多种来源,包括非专业的注释者或基于启发式或用户交互信号的自动标记。有大量的前期工作集中在利用嘈杂的标签。最值得注意的是,最近的研究显示,使用元学习实例重加权方法取得了令人印象深刻的成果,在这种方法中,元学习框架用于为嘈杂标签分配实例权重。在本文中,我们将此方法扩展为元学习框架内的标签校正问题。我们将标签校正过程视为一个元过程,并提出了一个新的基于元学习的框架,称为MLC(元标签校正),用于有噪声标签的学习。具体来说,采用标签校正网络作为元模型,对有噪声的标签进行校正,同时对主模型进行训练,以充分利用校正后的标签。两个模型通过求解一个双层优化问题来联合训练。在图像识别和文本分类任务中,我们使用不同的标签噪声水平和类型进行了广泛的实验。我们比较重加权和修正的方法表明,修正框架解决了一些限制重加权。我们还表明,提出的MLC方法在图像和语言任务上都优于以前的方法。

https://www.microsoft.com/en-us/research/uploads/prod/2020/12/aaai2021_mlc_zheng.pdf

成为VIP会员查看完整内容
29

相关内容

Meta Learning,元学习,也叫 Learning to Learn(学会学习)。是继Reinforcement Learning(增强学习)之后又一个重要的研究分支。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
专知会员服务
44+阅读 · 2021年1月31日
AAAI2021 | 学习预训练图神经网络
专知会员服务
115+阅读 · 2021年1月28日
【AAAI2021】记忆门控循环网络
专知会员服务
48+阅读 · 2020年12月28日
【AAAI2021】基于内容迁移的无监督领域自适应语义分割
专知会员服务
17+阅读 · 2020年12月25日
专知会员服务
19+阅读 · 2020年12月11日
【AAAI2021】小样本学习多标签意图检测
专知会员服务
54+阅读 · 2020年12月8日
【NeurIPS 2020】基于因果干预的小样本学习
专知会员服务
67+阅读 · 2020年10月6日
专知会员服务
98+阅读 · 2020年7月20日
最新《多任务学习》综述,39页pdf
专知
28+阅读 · 2020年7月10日
ICML2020 图神经网络的预训练
图与推荐
12+阅读 · 2020年4月4日
SemanticAdv:基于语义属性的对抗样本生成方法
机器之心
14+阅读 · 2019年7月12日
半监督深度学习小结:类协同训练和一致性正则化
Arxiv
0+阅读 · 2021年2月6日
Arxiv
0+阅读 · 2021年2月4日
Arxiv
6+阅读 · 2018年6月21日
Arxiv
8+阅读 · 2018年5月15日
Arxiv
3+阅读 · 2018年2月22日
VIP会员
相关VIP内容
专知会员服务
44+阅读 · 2021年1月31日
AAAI2021 | 学习预训练图神经网络
专知会员服务
115+阅读 · 2021年1月28日
【AAAI2021】记忆门控循环网络
专知会员服务
48+阅读 · 2020年12月28日
【AAAI2021】基于内容迁移的无监督领域自适应语义分割
专知会员服务
17+阅读 · 2020年12月25日
专知会员服务
19+阅读 · 2020年12月11日
【AAAI2021】小样本学习多标签意图检测
专知会员服务
54+阅读 · 2020年12月8日
【NeurIPS 2020】基于因果干预的小样本学习
专知会员服务
67+阅读 · 2020年10月6日
专知会员服务
98+阅读 · 2020年7月20日
微信扫码咨询专知VIP会员