SV-Learner : Apprentissage Contrastif par Vecteur de Support pour un Apprentissage Robuste avec des Étiquettes Bruitées

Les données avec des étiquettes bruyantes donnent inévitablement lieu à de la confusion dans diverses applications de perception. Dans ce travail, nous revisitons la théorie des machines à vecteurs de support (SVM) qui extrait des vecteurs de support pour construire l'hyperplan à marge maximale pour une classification robuste, et proposons un cadre d'apprentissage profond robuste au bruit, SV-Learner, incluant l'Apprentissage Contrastif par Vecteur de Support (SVCL) et le Filtrage de Bruit basé sur le Vecteur de Support (SVNS). Le SV-Learner extrait des vecteurs de support pour résoudre de manière fiable le problème d'apprentissage avec des étiquettes bruyantes (LNL). L'Apprentissage Contrastif par Vecteur de Support (SVCL) adopte des vecteurs de support comme échantillons positifs et négatifs, entraînant un apprentissage contrastif robuste pour élargir la marge de distribution des caractéristiques afin d'apprendre des distributions de caractéristiques convergentes. Le Filtrage de Bruit basé sur le Vecteur de Support (SVNS) utilise des vecteurs de support avec des étiquettes valides pour aider à filtrer ceux bruyants des échantillons confus pour un filtrage fiable des échantillons propres-bruyants. Enfin, une classification semi-supervisée est réalisée pour reconnaître les échantillons bruyants. D'amples expériences sont évaluées sur les ensembles de données CIFAR-10, CIFAR-100, Clothing1M et Webvision, et les résultats démontrent l'efficacité de notre approche proposée. Le code source est disponible sur https://github.com/yanliji/SV-Learner.