置信度学习

1、置信度学习         置信度学习CL流程（图1）是用于表征，发现和学习带有标签错误的一系列理论和算法，该算法使用预测的概率和嘈杂的标签对未归一化的置信关节中的样本进行计数，然后归一化以估计联合分配，修剪噪音数据，生成干净的数据作为输出。          CL生成提供了优于现有技术的三个关键优势：（1）直接估计标签噪声的联合分布；（2）对非均匀随机标签噪声具有鲁棒性；（3）在实际的充分条

>>阅读原文<<