[发明专利]基于元学习的标签噪声监测方法

权利要求书

1.基于元学习的标签噪声监测方法，其特征在于：包括以下步骤：

S1、分类器训练：首先对数据集进行数据处理，将数据集输入到分类器网络中，对于每一个样本，都保存下交叉熵损失产生的损失值和样本的特征向量；

S2、元网络训练：对元网络输入，对于每一个样本，元网络能学会根据特征向量和损失值来生成一个权重，通过权重与阈值的比较，从而分离出干净样本和噪声样本；

S3、分类器更新：借助元网络生成的权重，可产生一个基于mini-batch的mask，通过mask，继而实现对训练批次中的样本的筛选，用样本来更新网络；

S4、元网络更新：借助一个数量很少的干净样本集，通过这个干净样本集的监督作用，可以保证元网络的参数不受到噪声信号的影响，从而使得元网络对噪声标签做出正确的检测；

S5、模型输出：在完成端到端的训练之后，保存下两个网络的参数，此时分类器是足够鲁棒的，对于单个样本，元网络能根据图片的特征向量和损失值来判断该样本是否为噪声，实现了对标签噪声的检测。

2.根据权利要求1所述的基于元学习的标签噪声监测方法，其特征在于：S1中的样本的特征向量作为独立于标签的信息，不受噪声信息影响。

3.根据权利要求1所述的基于元学习的标签噪声监测方法，其特征在于：S2中将损失值和特征向量拼接在一起，一起输入到元网络中，元网络对每一个样本产生一个权重，可表示为：

V(L_i^train(θ^t),v_i；φ^(t))。

4.根据权利要求1所述的基于元学习的标签噪声监测方法，其特征在于：S2中，定义一个超参数τ作为阈值，对于权重大于阈值τ的样本，认定为干净样本；对于权重小于阈值τ的样本，认定为噪声样本。

5.根据权利要求1所述的基于元学习的标签噪声监测方法，其特征在于：S3中只使用干净样本，选用干净样本的损失值，通过随机梯度下降的方法去更新网络。

6.根据权利要求5所述的基于元学习的标签噪声监测方法，其特征在于：随机梯度下降的参数更新公式为：

其中其中α是随机梯度下降SGD中的一个参数，与分类网络的更新步长有关。