arXiv · 机器人与计算机视觉· Ningkang Peng, Jingyang Mao, Xiaoqian Peng, Weiguang Qu, Yanhui Gu·· 2026-10-20AI 评分43
Radial-Angular Geometry for Reliable Update Diagnosis in Noisy-Label Learning 提出相对几何冲突方法
Radial-Angular Geometry for Reliable Update Diagnosis in Noisy-Label Learning
AI 导读
该方法将样本可靠性估计重构为对观测标签更新诊断,利用反向空间经验 Fisher 迹捕捉标量损失之外的信息。提出的相对几何冲突(RGC)通过比较观测梯度与 EMA 教师参考梯度,有效区分难清洗样本的有益大更新与噪声导致的有害冲突。在合成及真实世界噪声标签基准测试中,该方法显著提升了硬清洁样本保留率与模型准确率。
来源:arXiv · 机器人与计算机视觉 · arxiv.org