arXiv · ML· Ningkang Peng, Jingyang Mao, Xiaoqian Peng, Weiguang Qu, Yanhui Gu·2026-10-20 12:00· 9 小时前AI 评分30

RGC 在噪声标签学习中提升硬干净样本保留与精度

Radial-Angular Geometry for Reliable Update Diagnosis in Noisy-Label Learning

AI 导读

论文提出相对几何冲突（RGC）方法，利用观测标签梯度与 EMA 教师参考梯度的比较，诊断噪声标签学习中的更新可靠性。 RGC 通过区分大但对齐的硬干净更新与大且冲突的噪声标签更新，克服了仅依赖前向空间信号（如损失）的局限。在合成及真实世界基准测试中，RGC 显著提升了硬干净样本的保留率和模型精度。

来源：arXiv · ML · arxiv.org