Análisis del desarrollo de funciones de pérdida modificadoras en entornos de ruido de etiquetas

En los últimos años, el rápido avance de la inteligencia artificial ha intensificado el interés en el aprendizaje profundo. Sin embargo, durante el proceso de entrenamiento del aprendizaje profundo, el documento encontró que a menudo es susceptible al ruido de etiquetas. Sesga los modelos y degrada severamente el rendimiento. Y debido a la complejidad de las fuentes y clasificaciones del ruido de etiquetas, aumenta la dificultad de resolver el problema del ruido de etiquetas. Las contramedidas actuales se agrupan en tres corrientes: selección de muestras supervisadas, arquitecturas robustas y rediseño de funciones de pérdida. Esta revisión se centra exclusivamente en la última corriente, examinando innovaciones en funciones de pérdida propuestas entre 2015 y 2025. El documento identifica desafíos no resueltos en la investigación actual, como la excesiva dependencia de supuestos idealizados de ruido, la dependencia de conjuntos de validación limpios, y así sucesivamente. El documento también proporciona direcciones futuras prometedoras, incluyendo pérdidas autoajustables sin datos limpios, capas de meta-pérdida diferenciables para hiperparámetros, etc. Al consolidar este paisaje en evolución, la encuesta ofrece orientación práctica para mitigar el ruido de etiquetas y traza una hoja de ruta para la investigación futura que podría sostener el progreso a largo plazo del aprendizaje profundo.