RGC框架改进噪声标签学习
热点事件持续更新
RGC框架改进噪声标签学习
1 篇报道1 个报道来源8 小时前更新
先了解这件事
AI 综述
Ningkang Peng 等团队提出相对几何冲突（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。
AI 根据报道生成 · 1 小时前更新
最新进展10月20日 12:00
RGC 在噪声标签学习中提升硬干净样本保留与精度报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv · MLRGC 在噪声标签学习中提升硬干净样本保留与精度
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。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。