用于對嘈雜和不平衡數據的元學習和類感知自適應閾值的協同穩健學習框架
中文題目：用于對嘈雜和不平衡數據的元學習和類感知自適應閾值的協同穩健學習框架
論文題目： Synergistic Framework of Meta-Learning and Class-Aware Adaptive Thresholding for Robust Learning on Noisy and Imbalanced Data
錄用期刊/會議：CPCC2025 （CAA A類會議）
錄用時間：2025.5.28
作者列表：
1)劉芷含 中國石油大學（北京）人工智能學院 控制科學與工程 研23級
2)劉建偉 中國石油大學（北京）人工智能學院 自動化系 教師
摘要:
1) 提出了一種新的魯棒學習框架ML-CAT（Meta-Learning and Class-Aware Adaptive Thresholding），該框架結合了元學習和基于類的自適應閾值生成方法，有效應對噪聲標簽和類別不平衡問題，顯著提高了模型在復雜數據場景下的魯棒性和泛化能力。
2) 通過構建基于類特征分布的高斯混合模型（GMM），實現了動態閾值的自適應調整，從而精準區分干凈樣本與噪聲樣本。結合元學習的動態樣本重加權策略，ML-CAT能夠根據樣本損失動態優化訓練權重，充分利用高置信度樣本，抑制噪聲樣本的負面影響。
3) 研究進一步驗證了動態閾值調整與元學習重加權策略的協同作用，表明兩者在應對長尾分布和高噪聲數據時具有互補性。實驗結果證明，ML-CAT在多個長尾噪聲數據集上的表現均優于現有方法，展現了其在復雜數據場景下的強大適應能力和穩健性。
背景與動機:
在實際的圖像分類任務中，深度神經網絡通常面臨類別不平衡和標簽噪聲的雙重挑戰，這會導致模型預測的偏差和魯棒性下降。這種問題在醫療影像分析、工業檢測等應用領域尤為突出，因為這些領域很難獲取大規模、高質量且類別分布平衡的標注數據集。現有研究通常分別針對類別不平衡和標簽噪聲問題提出解決方案，但在這兩種問題同時存在的復雜場景下，現有方法的效果仍然有限。例如，傳統的固定閾值方法在區分干凈樣本和噪聲樣本時缺乏靈活性，無法適應不同類別和訓練階段的動態變化。此外，現有的樣本重加權方法大多依賴人工設計的權重分配策略，缺乏對數據動態分布的自適應能力。
主要內容:
圖1 ML-CAT結構圖
結論:
本文提出了一種新穎的魯棒訓練框架，專為應對噪聲標簽和類別不平衡問題而設計。通過結合基于類別高斯混合模型的自適應閾值機制與基于元學習的動態樣本重加權策略，該框架顯著提升了模型的魯棒性和性能。自適應閾值模塊利用特征的統計分布，在類別層面動態識別高置信度的干凈樣本，為模型提供更可靠的監督信號；同時，元學習模塊通過端到端的方式動態優化樣本權重，使模型在訓練過程中能夠聚焦于更具信息價值和可靠性的樣本。實驗結果表明，所提出的框架在多個具有噪聲標簽和類別不平衡的基準數據集上均取得了顯著的性能提升，展現出優越的魯棒性和泛化能力。
展望未來，本文提出的魯棒學習框架為解決數據質量不完美問題提供了重要的理論基礎和實踐工具。未來研究可以進一步探索該方法在大規模數據集、多模態場景中的擴展潛力，并將其應用于半監督學習、無監督學習等更復雜的學習范式。此外，如何在更廣泛的實際應用中提升模型的適應性和泛化能力，也是值得關注的方向。我們相信，本文的研究成果將為數據質量受限場景下的穩健學習提供新的思路，推動相關領域的發展。
作者簡介:
劉建偉，教師。