摘要
在深度学习生态系统中，噪声标签不可避免且极具挑战性，因为模型极易对噪声标签产生过拟合。标签噪声存在多种类型，包括对称噪声、非对称噪声以及实例相关噪声（Instance-Dependent Noise, IDN），其中仅IDN依赖于图像本身的特征信息。由于标签错误在很大程度上源于图像中视觉类别信息的不足或模糊，IDN对图像信息的依赖性使其成为亟需深入研究的关键噪声类型。为有效应对IDN问题，本文提出一种新型图模型方法——InstanceGM，该方法融合了判别式模型与生成式模型的优势。InstanceGM的主要贡献包括：i）采用连续伯努利分布（continuous Bernoulli distribution）来训练生成式模型，显著提升了训练效率与稳定性；ii）引入当前最先进的噪声标签判别分类器，用于从实例相关噪声标签样本中生成干净标签。实验结果表明，InstanceGM在当前主流的噪声标签学习方法中具有较强竞争力，尤其在基于合成数据与真实世界数据的IDN基准测试中，多数实验场景下其分类准确率均优于现有对比方法。