https://arxiv.org/pdf/1910.00324.pdf
在这项工作中,作者考虑从noisy的标签中学习分类器的问题。干净和嘈杂的数据结构由每个类别的图建模,并且使用图卷积网络(GCN)来预测嘈杂示例的类别相关性。对于每个类别,GCN都被视为二进制分类器,它使用加权二进制交叉熵损失函数来学习将干净的示例与嘈杂的示例。
然后,将GCN推断的“干净”概率用作相关性度量(a relevance measure)。在学习最终任务的分类器时,每个嘈杂的示例都会根据其相关性(the relevance measure)进行加权。作者在few-shot学习问题的上评估了该的方法,在该版本中,新颖类的一些干净示例被附加了额外的噪音数据。实验结果表明,与不清除嘈杂数据相比,基于GCN的清理过程显着提高了分类准确性,在仅使用少量清理示例的情况下,标准的few-shot classification也大大提高了分类精度.
针对one-shot学习的cleaning approach的概述,并附有一些嘈杂的示例。作者使用类名admiral来从Web上检索嘈杂的图像,并基于视觉相似性创建邻接图。然后,使用图卷积网络(GCN)为每个嘈杂的示例分配相关性得分。相关性分数显示在图像旁边
本文的主要贡献