Learning With Noisy Labels

L'apprentissage avec des étiquettes bruitées concerne la tâche où, dans les données d'entraînement, certaines étiquettes sont modifiées de manière malveillante, provoquant des erreurs sur des étiquettes qui étaient initialement issues d'une distribution propre. L'objectif de cette tâche est de concevoir et développer des algorithmes capables d'identifier et de corriger ces étiquettes erronées dans des conditions de données suboptimales, afin d'améliorer la robustesse et la capacité de généralisation du modèle. L'apprentissage avec des étiquettes bruitées n'a pas seulement une valeur d'application significative en vision par ordinateur, mais peut également être largement appliqué à d'autres tâches d'apprentissage automatique, renforçant ainsi l'adaptabilité et la fiabilité des modèles dans des scénarios réels.