在大量含有高质量标注的大规模数据集的帮助下，深度神经网络在诸多人工智能领域已取得巨大的成功。然而真实世界的数据集往往存在大量具有不准确标注的样本（噪声标签样本），深度神经网络因为其强大的拟合能力，易过拟合这类样本，导致泛化性能和判别性能的降低。因此噪声标签学习成为计算机视觉领域的一个热点研究。
近期，信息工程学院教师张迁及合作者提出了一类新的面向深度神经网络的噪声标签学习策略C2MT。该策略结合噪声标签类别均衡策略MBS可以降低深度神经网络在噪声样本筛选过程中对噪声先验信息的敏感性，增强网络模型对噪声标签的鲁棒性。通过在多个含有合成噪声标签的数据集和真实世界数据集上的大量实验，论证了所提出的新的噪声标签学习框架的有效性。相关研究进展以《Cross-to-Merge Training with Class Balance Strategy for Learning with Noisy Labels》为题发表在《Expert Systems with Applications》(中科院SCI期刊计算机科学类1区TOP，CCF推荐期刊；IF：8.5)，相关研究内容及核心代码已全部开源。该研究受到国家自然科学基金青年基金项目[62206114]、江苏省高等学校基础科学（自然科学）研究面上项目[22KJB110012]及Japan Society for the Promotion of Science[22K12079]的资助与支持。
(a)
(b)
基于含30%非对称(asymmetric)噪声标签的CIFAR-100数据集中每个训练样本在不同时期(epoch)的归一化损失估计的概率密度函数(PDF)曲线图及损失分布图
近年来，信息工程学院高度重视高水平科学研究，始终将科研工作立于发展全局中的核心地位，确立以学科交叉融合作为学院科研特色化发展的必由之路，积极引进学术骨干博士，取得了一系列科研成果，进一步树立了学院的学术自信，增强了学院科研特色。
论文链接：https://doi.org/10.1016/j.eswa.2024.123846
（图/文：张迁，审核：黄黎）
