通过几何结构一致性学习缓解噪声对应问题

跨模态数据对中的噪声对应关系，即不同模态数据之间的不匹配，在人工标注或网络爬取的数据集中普遍存在。以往的方法主要考虑应用单模态噪声标签学习，而未修正其对多模态学习中跨模态和同模态几何结构的影响。实际上，我们发现当这些结构建立得当且有效时，通过结构差异可以区分噪声对应关系。受此观察启发，我们提出了一种几何结构一致性（Geometrical Structure Consistency, GSC）方法来推断真实对应关系。具体而言，GSC 保证了模态内和模态间几何结构的保存，从而能够基于结构差异准确识别噪声样本。利用这些推断出的真实对应关系标签，GSC 通过过滤掉噪声样本进一步优化了几何结构的学习。在四个跨模态数据集上的实验结果表明，GSC 能够有效识别噪声样本，并显著优于当前领先的方法。