南宁网站建设多少钱wordpress支付宝流程
在实际应用的时候，我们的样本不会是完全干净的，即存在噪声样本。那使用存在噪声的样本时，我们如何更有效的进行模型学习呢？
Label Dependent Nose
样本选择（Sample Selection）
第一种很直接的想法，就是我们在样本集里，把那些‘噪声’找出来，然后直接过滤掉。但这里面的难点在于怎么找出哪些噪声。
人工经验：比如大学生一般是18岁-30之间，如果小于18岁，比如只有15岁就大概率不是。
规则：比如先走一遍已存在的比较靠谱的模型，将p比较低的直接过滤；
另一种想法，就是在模型训练的时候，进行样本选择。即对于每个batch，只选择clean样本的loss进行模型的更新。其中比较主流的方法时co-train系列。
Decoupling（《Decoupling “when to update” from “how toupdate”》）
核心思路：分别独立训练2个模型，对于每个batch，2个模型分别预测。对于预测结果不一致的数据，才会被选择用来更新模型的参数，又被称为「update by disagreement」
Co-teaching（《Co-teaching: Robust Training of Deep Neural Networks with Extremely Noisy Labels》）
核心思路：对于2个模型f和g。对于每个batch，选择模型f中loss比较小的数据，计算这些数据在模型g上的损失并更新模型g的参数。同时选择模型g中loss比较小的数据，计算它们在f上的损失并更新模型f的参数。每个batch里选择多少个数据，由R(T)来控制。
Co-teaching+（ICML2019的《How does Disagreement Help Generalization against Label Corruption?》）
核心思路： 结合了Co-teach和decoupling的思路
正则化（Robust Regularization）
通过正则化的方法，防止模型过拟合岛噪声样本上。比如Dropout、BN等方法。
显式正则：比如Dropout、BN、权重衰减等。这里介绍一种bilevel learning
bilevel learning：使用一个干净的验证集，应用双层优化的方式来约束过拟合。通过调整权重，最小化在验证集上的错误。在每个mini-batch上，计算训练样本和验证集样本之间梯度的一致性，一致性高的训练样本对应的权重增大。
隐式正则：在不降低模型表示能力的前提下提升了泛化性能
adversarial training: 对抗训练，鼓励网络正确分类原始输入和扰动的输入；
label smoothing：标签平滑，防止过度自信，平滑分类边界，平滑标签是原始标签和其他可能标签的加权组合；
mixup: 数据线性插值，标签也线性插值
结构设计（Robust Architecture）
噪声自适应层（noise adaptation layer）
专门用噪声过渡矩阵来建模噪声转换，测试的去掉这一层。只针对实例无关的噪声。
Loss设计（Robust Loss）
首先我们介绍下对称损失（Symmetric Loss），因为Symmetric Loss是理论可证明噪声鲁棒的。
我们这里考虑2分类任务。对于训练样本x，标签为y（y ∈ {0, 1}），fθ(x)为模型输出（θ为待优化的参数），损失函数为l。
a. 没有标签噪声的情况下，待优化的目标为l[fθ(x), y] （1）；
b. 在考虑有噪声的情况下，x有概率ρ被误标为1-y，那么实际上的优化目标是(1−ρ)⋅l[fθ(x), y] + ρ⋅l[fθ(x), 1−y] （2）。
c. 对于目标函数（2），如果无论有无噪声，该优化问题都会得到同样的解。这时候损失函数L就是噪声鲁棒的。
d. 目标函数（2）可以转换为如下，整理后的第一项是目标函数（1）的一个固定倍数。而第二项是当样本标签等概率取遍所有可能值时，所产生的损失值。
e. 如果满足如下结果时（其中C是常数），那么l就是Symmetric Loss，即优化目标函数（2）和优化目标函数（1）是等价的。
MAE
考虑2分类，l[fθ(x), y] + l[fθ(x), 1-y] = |1-fθ(x)| + |0-fθ(x)| = 1，所以MAE是对称损失。但MAE的性能比较差，跟CCE（categorical cross entropy）相比，训练的收敛时间更长。
GCE（generalized cross entropy）
CE/CCE不是对称损失。l[fθ(x), y] + l[fθ(x), 1-y]=C，要求各个损失项非负，且其和为定值，那么各个损失项必然是有界的。但在当fθ(x)接近于0或者1时，logfθ(x)或−log(1−fθ(x))是无界的。
GCE可以兼顾MAE的鲁棒性和CE的性能。−log(fθ(x))项，替换成一个指数项
其中幂次q为一个超参数，取值范围为(0, 1] 。当q = 1时，该指数项就蜕变为MAE的形式；当q→0时，由洛必达法则，该指数项将蜕变为CE的形式。
SCE（symmetric cross entropy）：在CCE上结合了一个noise tolerance term。
Focal Loss & GHM Loss
GHM可以认为是Focal Loss的一种优化。如下图所示，梯度模长在接近0时样本量最多，这部分是简单样本。随着模长增大，样本量迅速下降，在U字底部的部分可以认为是困难样本。在模长接近1时，数量又变多，这部分可以认为是极困难样本或者噪声样本。
最终根据这种分布设计梯度密度，来调整样本的权重。
Loss Adjustment
Loss Correction：和噪声自适应层类似，损失校正通过给模型输出结果乘上一个估计的标签转移矩阵来修改loss，不同之处在于，噪声转移矩阵的学习是和模型的学习解耦的。包括backward correction、forward correction等。
Loss Reweighting：计算loss时给假样本更小的权重，给真样本更高的权重。这类方法手动设计权重函数和超参。
Label Refurbishment：将网络的输出标签和噪声标签组合作为翻新后的标签：（a是噪声标签的置信度）
Meta Learning
Instance Dependent Noise
实际上在真实世界的数据集中，存在更多的是instance-dependent (feature-dependent) label noise，即特征相关的噪音标签。
SEAL（self-evolution average label）
CORES（COnfidence REgularized Sample Sieve）
参考
Learning from Noisy Labels with Deep NeuralNetworks: A Survey