计算机科学>机器学习
标题: 标签噪声下的渔道学习损失
摘要: 在通过经验风险最小化进行学习时,选择合适的损失函数至关重要。 在许多实际情况下,用于训练分类器的数据集可能包含不正确的标签,这促使人们对使用对标签噪声具有固有鲁棒性的损失函数感兴趣。 本文研究离散分布统计流形中Fisher-Rao距离产生的Fisher-Roa损失函数。 我们推导了标签噪声存在时性能下降的上限,并分析了这种损失的学习速度。 与其他常用的损失相比,我们认为Fisher Rao损失在鲁棒性和训练动力学之间提供了一种自然的权衡。 用合成数据集和MNIST数据集进行的数值实验说明了这一性能。