对抗标签噪音的深度学习方法总结
文章目录
- 1 鲁棒性的损失函数
- 2 鲁棒性的架构
- 3 正则化
- 4 调整损失函数
- 5 样本选择
- 6 元学习
- 7 半监督学习
- 最后的话
深度学习模型往往需要大量的标记正确的数据，而现实世界的数据集中有8%~38.5%的数据是被污染的。现在的深度学习模型很容易对存在噪音的数据集过拟合，从而使得模型在测试集上的表现较差。现在比较流行的防止模型过拟合的方法：数据增强，权重衰减，dropout, batch normalization等方法并不能很好的解决这一问题。
1 鲁棒性的损失函数
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！