近日，我院刘澄玉教授、李建清教授团队在噪声标签机器学习领域取得研究突破，论文《Learning with Noisy Labels Using Hyperspherical Margin Weighting》被人工智能领域顶级会议AAAI 2024（Annual AAAI Conference on Artificial Intelligence）长文录用。AAAI是CCF推荐的A类国际学术会议，在人工智能领域享有很高的学术声誉。本次会议共收到投稿12100篇，初审有效投稿9862篇，录用2342篇，录用率约23.75%。
(a)Traditional Small-Loss Trick |
(b)Our IAM |
仪器科学与工程学院张铄博士为论文第一作者，该论文针对目前广泛使用的错误标注数据筛查方法“small-loss trick”存在的无法有效区分错标样本（Mislabeled Examples）和难学样本（Hard-to-Learn Examples）等技术瓶颈，提出了一种新的联合区域边界指标（Integrated Area Margin, IAM）用于识别错误标注数据，并基于IAM进一步提出了一种新超球面边界加权方法（Hyperspherical Margin Weighting, HMW）用于训练含有错误标签的数据集。该方法在CIFAR，WebVision等数据库上进行了系统验证，与目前SCE，DivideMix，Co-teaching等SOTA方法比较性能有明显的提升。值得注意的是，本方法可以和多种SOTA方法结合使用从而获得更高的性能。例如，在使用本文策略后，原本的SCE鲁棒学习方法准确率最高可提升21.1%。
| |
(a)CCE |
(b)CCE+HMW |
本论文研究为噪声标签机器学习领域提供了新的研究思路，未来算法可以被应用到心电、脑电等人体生理信号噪声标注数据库和表情、语音等人体行为学信号噪声标注数据库学习，为解决医学数据噪声标签拣选问题提供帮助。
（图、文）张铄
