题名 | 面向数据容错的鲁棒模式识别 |
作者 | 李修川 |
答辩日期 | 2023-05 |
文献子类 | 硕士 |
关键词 | 模式识别 标签噪声 对抗样本 |
英文摘要 | 近年来,深度学习在模式识别领域取得了突破性的进展,然而其巨大的成功严重依赖于高质量的数据,数据中噪声会严重损害其性能。例如,在训练阶段,大规模的训练数据中会不可避免地存在着标签噪声,深度学习模型由于其强大的拟合能力可以完美地记忆标签噪声,最终导致泛化性能明显变差;在推理阶段,对抗攻击可以通过在图像上添加人眼无法察觉的对抗扰动来制造对抗样本,令深度学习模型做出错误的决策。为此,针对训练阶段的标签噪声以及推理阶段的对抗样本,本文分别设计了鲁棒学习算法,提高了深度学习模型的容错能力。本文的主要贡献如下: 1. 本文提出了动态敏感损失来处理标签噪声。动态敏感损失是一种动态的鲁棒损失函数,考虑到深度学习模型倾向于先学习简单且普适的模式,然后逐渐过拟合标签噪声,动态敏感损失在训练初期令模型具有较强拟合能力,然后逐渐提高其鲁棒性。在训练后期,为了进一步减小标签噪声的负面影响,动态敏感损失令模型对简单样本的关注程度超过了对困难样本的关注程度并且引入了自举项。理论分析和实验结果都表明了动态敏感损失相较于现有的鲁棒损失函数的优越性。 2. |
语种 | 中文 |
页码 | 82 |
内容类型 | 学位论文 |
源URL | [http://ir.ia.ac.cn/handle/173211/52098] |
专题 | 毕业生_硕士学位论文 |
推荐引用方式 GB/T 7714 | 李修川. 面向数据容错的鲁棒模式识别[D]. 2023. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论