标签噪声鲁棒学习算法研究综述

作     者：宫辰 张闯 王启舟 Gong Chen;Zhang Chuang;Wang Qizhou

作者机构：南京理工大学计算机科学与工程学院高维信息智能感知与系统教育部重点实验室南京210094 南京理工大学计算机科学与工程学院江苏省社会安全图像与视频理解重点实验室南京210094 

出 版 物：《航空兵器》 (Aero Weaponry)

年 卷 期：2020年第27卷第3期

页      面：20-26页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 082601[工学-武器系统与运用工程] 081104[工学-模式识别与智能系统] 08[工学] 082501[工学-飞行器设计] 0826[工学-兵器科学与技术] 082602[工学-兵器发射理论与技术] 0835[工学-软件工程] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(61973162) 江苏省自然科学基金项目(BK20171430) 

主　　题：人工智能 机器学习 弱监督学习 标签噪声 深度学习 鲁棒学习算法 

摘      要：在机器学习领域,监督学习算法在理论层面和工程应用中均取得了丰硕的成果,但此类算法的效果严重依赖训练样本的标签质量,在实际问题中获取具有高质量标签的训练样本通常费时费力。为节省人力物力,网络爬虫、众包方法等替代方法被用于对训练数据的采集。不幸的是,这些替代方法获取的数据往往存在大量的错误标注,即标签噪声,由此带来了很多潜在的问题。因此,对标签噪声鲁棒学习算法的研究,在推广机器学习工程应用、降低机器学习算法部署成本方面具有重要的意义。本文对标签噪声鲁棒学习算法的最新研究成果进展进行了全面综述,分别从标签噪声的产生、影响、分类等方面进行了详细的总结,对每类标签噪声的处理方法进行了介绍,并对每类处理方法的优缺点进行分析。