科研之友
微信
新浪微博
Facebook
分享链接
摘要
噪声是影响机器学习模型可靠性的重要因素，而标签噪声相比于特征噪声对模型训练更具决定性影响.噪声过滤是处理标签噪声的一种有效方法，它不需要估计噪声率，也不需要依赖任何损失函数，然而目前大多数标签噪声过滤算法都会面临过度清洗问题，针对此问题，本文提出基于异常检测的标签噪声过滤框架，并在此框架下给出了一种自适应近邻聚类的标签噪声过滤算法AdNN(Label Noise Filtering via Adaptive Nearest Neighbor Clustering)，该算法分别考虑分类问题中的每一个类别，把标签噪声检测问题转化成离群点检测问题，识别出每一个类别的离群点，然后根据相对密度去除离群点中的非噪声样本得到噪声备选集，最后通过噪声因子对噪声备选集中的离群点进行噪声识别和过滤. 实验结果表明，在合成数据集和公开数据集上，本文提出的噪声过滤方法，可以减轻过度清洗现象，同时能够得到很好的噪声过滤效果和分类预测性能.
- 出版日期2023
- 单位山西大学
