Tag · 3 篇
样本选择
分布 鲁棒性与安全2视觉语言模型1
01 02 03
TANGO：面向标签噪声下视觉语言模型鲁棒微调的文本锚定引导优化
TANGO: Text-Anchored Guided Optimization for Robust Fine-tuning Vision-Language Models under Label Noise
用文本模态构造与训练标签无关的语义锚点，替代线性分类器并指导样本筛选与标签纠错，为视觉研究者提供一种在脏标注数据上微调 VLM 的即插即用范式。
解构理想噪声校正的失败：三重诊断
Deconstructing the Failure of Ideal Noise Correction: A Three-Pillar Diagnosis
对做噪声标签/弱监督训练的视觉研究者：即使给定 oracle 噪声转移矩阵，基于 T 的校正方法仍会训练崩溃，说明不应再把精力放在提升 T 估计精度上，而应关注校正过程中的优化动力学与信息论上限，可据此重新设计损失或训练调度。
面向噪声标签学习的去偏样本选择
Debiased Sample Selection for Learning with Noisy Labels
针对小损失假设下的类别级与实例级确认偏差，MDA 通过调整预测类别分布使其趋于均匀来公平选样，CCS 利用训练动力学剔除疑似真实标签以抑制错误记忆；两者均为即插即用模块，可直接嵌入现有样本选择器或 LNL 流程，用于提升含噪数据训练的图像分类模型。