基于负学习与辅助分类的深度学习模型在噪声标签下的鲁棒训练方法研究综述.docVIP

基于负学习与辅助分类的深度学习模型在噪声标签下的鲁棒训练方法研究综述

深度学习模型在计算机视觉、自然语言处理等领域的突破性进展，高度依赖大规模高质量标注数据集的支撑。然而在实际应用场景中，数据标注过程不可避免会受到标注人员主观偏差、领域知识不足、标注成本限制等因素影响，导致数据集中存在大量错误标注的噪声标签。噪声标签会严重误导模型的参数更新过程，造成模型过拟合于错误标注样本，最终导致模型泛化能力急剧下降。因此，如何提升深度学习模型在噪声标签下的训练鲁棒性，成为当前机器学习领域的核心研究方向之一。负学习与辅助分类相结合的训练范式，通过主动利用噪声标签提供的反向监督信息，同时引入辅助分类机制过滤噪声干扰，为解决噪声标签学习问题提供了全新的技术路径。

负学习的基本原理与核心范式

负学习（NegativeLearning）的核心思想突破了传统监督学习仅利用正确标签进行正向监督的限制，通过显式建模“样本不属于某一类别”的反向约束，将噪声标签转化为有效的监督信号。在标准交叉熵损失函数中，模型仅被引导向学习样本与标注类别之间的映射关系，当标注类别本身错误时，这种单向引导会直接将模型参数导向错误的优化方向。而负学习通过构造负损失项，强制模型降低对错误标注类别的预测概率，即使标签本身存在错误，“样本不属于标注类别”这一约束仍然能够为模型提供有效的梯度信息。

早期负学习方法主要采用硬负约束策略，即直