Learning With Noisy Labels

Das Lernen mit verrauschten Labels bezieht sich auf die Aufgabe, bei der in den Trainingsdaten einige Labels böswillig verändert werden, was zu Fehlern führt, die ursprünglich aus einer sauberen Verteilung stammten. Das Ziel dieser Aufgabe besteht darin, Algorithmen zu entwickeln und zu optimieren, die diese fehlerhaften Labels unter suboptimalen Datenbedingungen effektiv identifizieren und korrigieren können, um die Robustheit und Generalisierungsfähigkeit des Modells zu verbessern. Das Lernen mit verrauschten Labels hat nicht nur erhebliche Anwendungswerte in der Computer Vision, sondern kann auch auf andere maschinelle Lernaufgaben angewendet werden, um die Anpassungsfähigkeit und Zuverlässigkeit von Modellen in realen Szenarien zu erhöhen.