置信度學習

1、置信度學習         置信度學習CL流程（圖1）是用於表徵，發現和學習帶有標籤錯誤的一系列理論和算法，該算法使用預測的概率和嘈雜的標籤對未歸一化的置信關節中的樣本進行計數，然後歸一化以估計聯合分配，修剪噪音數據，生成乾淨的數據作爲輸出。          CL生成提供了優於現有技術的三個關鍵優勢：（1）直接估計標籤噪聲的聯合分佈；（2）對非均勻隨機標籤噪聲具有魯棒性；（3）在實際的充分條

>>阅读原文<<