典型文献
面向回归任务的数值型标签噪声过滤算法
文献摘要：
回归任务中的数值型标签噪声可能误导模型训练,进而弱化模型泛化能力.作为一种常用的标签噪声处理技术,噪声过滤通过去除误标记样本来降低噪声水平,但无法保证过滤后模型能够获得更好的泛化表现.一些过滤算法过于关注噪声水平,以至于大量无噪样本也被去除.尽管已有样本过滤框架能够平衡样本去除量和噪声水平,但其形式过于复杂不利于直观理解和实际应用.根据无噪回归任务中的学习理论提出了面向数值型标签噪声数据的泛化误差界,从而明确了影响模型泛化能力的关键数据因素(数据量和噪声水平).在此基础上提出一种可解释的噪声过滤框架,其目标是以较小的样本去除代价最大程度地降低噪声水平.针对噪声估计问题,从理论上分析了噪声与覆盖区间关键指标(中心和半径)之间的变化趋势,进而构建了相对噪声估计方法.此方法与所提框架结合形成了相对噪声过滤(relative noise filtering,RNF)算法.在标准数据集和年龄估计数据上均验证了算法的有效性.实验结果表明:该算法能够适应各类噪声数据,显著提升模型泛化能力.在年龄估计数据上RNF算法检测出一些标签噪声数据,有效提升了数据质量和模型预测性能.
文献关键词：
数值型标签噪声;回归;噪声过滤;泛化误差界;相对噪声
中图分类号：
作者姓名：
姜高霞;王文剑
作者机构：
山西大学计算机与信息技术学院 太原 030006;计算智能与中文信息处理教育部重点实验室(山西大学) 太原 030006
文献出处：
引用格式：
[1]姜高霞;王文剑-.面向回归任务的数值型标签噪声过滤算法)[J].计算机研究与发展,2022(08):1637-1652
A类：
数值型标签噪声,泛化误差界
B类：
噪声过滤,过滤算法,误导,模型训练,弱化模型,模型泛化,泛化能力,噪声处理技术,误标记,标记样本,来降,低噪声,噪声水平,以至于,有样,去除量,直观理解,学习理论,影响模型,关键数据,数据量,可解释,噪声估计,覆盖区,关键指标,相对噪声,估计方法,relative,noise,filtering,RNF,标准数据集,年龄估计,估计数,类噪声数据,数据质量,预测性能
AB值：
0.297144
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
