Deep Learning Approaches

深度学习的稳健性可以通过多种方法得到增强。

鲁棒损失函数(Robust Loss Function)和损失调整(Loss Adjustment)的目的是修改损失函数或其值;

鲁棒结构旨(Robust Architecture)在改变一种结构,以对噪声数据集的噪声转移矩阵进行建模;

鲁棒正则化(Robust Regularization)的目的是强制一个DNN对假标记样本进行过拟合;

样本选择(Sample Selection)的目的是从噪声训练数据中识别出真实的标记样本;

除了监督学习之外,研究人员最近还试图通过采用元学习(Meta-Learning)和半监督学习(Semi-Supervised)来进一步提高噪声鲁棒性。

Robust Loss Function

Robust Architecture

Robust Regularization

Loss Adjustment

Sample Selection

Meta Learning

Semi-supervised Learning