信息互补的锐度感知最小化的标签噪声学习.pdfVIP

第４２卷第３期贵州大学学报（自然科学版）Ｖｏｌ．４２Ｎｏ．３

２０２５年５月ＪｏｕｒｎａｌｏｆＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓ）Ｍａｙ．２０２５

文章编号１０００５２６９（２０２５）０３００５２０７ＤＯＩ：１０．１５９５８／ｊ．ｃｎｋｉ．ｇｄｘｂｚｒｂ．２０２５．０３．０７



信息互补的锐度感知最小化的标签噪声学习

１２２

许朝阳，吴婉晗，林耀海

（１．莆田学院机电与信息工程学院，福建莆田３５１１００；２．福建农林大学计算机与信息学院，福建福州３５０００２）

摘要：标签噪声在机器学习和计算机视觉应用中是一个普遍存在的问题。锐度感知最小化通过向模型参数空

间中引入对抗性权重扰动，有效地提升了在噪声标签数据环境下学习模型的泛化性能。但是由于标签噪声的存

在，锐度感知最小化难以在每批噪声数据中找到正确的对抗性扰动。为了克服这一问题，采用信息互补的锐度

感知最小化结合扰动前后信息实现互补的效果，以此更好地寻找正确的扰动方向。同时为了提高扰动方向的准

确性，还引入了动态阈值策略来区分噪声样本与干净样本。在ＣＩＦＡＲ１０，ＣＩＦＡＲ１００和ＡＮＩＭＡＬ１０Ｎ等多个基准

数据集上的大量实验结果也证实了该方法的优越性。本方法能够在噪声标签环境下有效减少噪声对扰动方向

的干扰，提高分类准确度，且具备优秀的泛化能力。

关键词：机器学习；深度学习；神经网络；锐度感知最小化；标签噪声学习；模型泛化；扰动计算；信息互补

中图分类号：ＴＰ１８１文献标志码：Ａ

深度神经网络在解决各类计算机视觉任务时，标签噪声问题的常用方法之一。通常通过样本加

［１３］［１４］［９］

呈现出了卓越性能和显著成果。其发展离不开浩权、标签校正、噪声标签过滤和利用Ｍｉｘ

［１］［１５］

繁数据集的支撑，但由于样本可辨识度较低、标ｕｐ进行数据增强等方法进行。同时，将上述方

［２］［１６１７］

注样本具有主观性等因素，不可避免地引入了法进行组合的混合方法更是提高标签噪声学

标签噪声，从而影响深度模型泛化效果。同时，标习泛化能力的常用手段。尽管现有的研究已经证

签噪声无处不在：医疗领域内的数据集的标记需要明了它们的有效性，但这些算法设计往往高度依赖

领域专业知识，且观察者与观察者之间也会存在分于过往的经验性结果，这也就导致它们难以利用最

［３］

歧，而错误的预测可能会直接影响到诊疗结果；新技术来开发基于参数空间的深度神经网络的

在军事目标识别任务中，一些外观相似的军事目标能力。

经常容易被标注错误，比如坦克和自行榴弹炮［４］