爱莫科技与西安电子科技大学，重庆邮电大学联合发表的论文 “Class-Dependent Label-Noise Learning with Cycle-Consistency Regularization” 被国际顶级期会 NeurIPS 录用。

NeurIPS 是人工智能领域顶级会议，是人工智能行业难度最大、理论水平最高的会议之一，CCF A类会议，Core Conference Ranking 推荐A*类会议，H5 index 高达198，2022 年谷歌学术总排名第 10。

该论文提出的理论框架，对深度学习对抗噪声干扰、提升模型鲁棒性具有至关重要的意义。

研究问题与背景

在实际应用场景中，场景模型的训练都离不开真实可靠的标签信息。由于人工标注误差(专业性不足等问题)、数据原始噪声，带噪声的数据不可避免，清洗数据的工作也是更加困难。而深度学习的算法严重依赖于大规模带注释的训练数据，因此噪声标签给深度训练模型带来了极大的负面影响。

为解决这一问题，爱莫科技与西安电子科技大学，重庆邮电大学联合展开《基于循环一致性正则化的类相关标签噪声学习》课题研究。

创新的研究成果

提出并证明了基于循环一致性正则化估计转移矩阵T的方法

在最小化转移矩阵的体积时，可以利用估计的噪声类后验来计算体积。由于标签噪声的随机性，噪声类后验的估计误差通常较大。这将导致在噪声训练样本有限的情况下，对转移矩阵的估计效果很差。通过我们提出的一种循环一致性正则化方法，可以极大减小转移矩阵T体积对估计噪声类后验的依赖性。

该论文证明了这种循环一致性正则化可以帮助最小化转移矩阵T的体积，而不直接利用估计的噪声类后验，这有利于估计的转移矩阵T收敛到最优解。在充分分散的假设下，最优转移矩阵T是包围训练样例的后验噪声类的体积最小的矩阵，我们提出的方法也在理论上保证了转移矩阵和分类器的一致性。此外，我们的方法有助于减少噪声类后验概率估计误差的副作用。

效果对比

表1：CLOTHING-1M数据集上的分类精度(%)

我们在CIFAR-10 、CIFAR-100、CLOTHING-1M和FOOD-101N数据集上对比了现有最好模型，我们的方法精度均达到了SOTA水平。本文方法在现有最好方法上有了明显提升，优于基线方法“CE”6.18%。

结语与展望

随着机器学习特别是深度学习的日趋广泛，噪声标签的学习成为AI领域的热门研究方向，爱莫科技坚持在人工智能最前沿方向投入大量研发，积极开展与高校等科研机构的产学研合作，从而保持公司在技术领域的国际领先水平，更好地为全球高端客户量体裁衣的定制AI解决方案。