Buchumschlag

Dirichlet-Based Prediction Calibration for Learning with Noisy Labels

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zong, Chen-Chen, Wang, Ye-Wen, Xie, Ming-Kun, Huang, Sheng-Jun
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Dirichlet-Based Coarse-to-Fine Example Selection For Open-Set Annotation
von: Wang, Ye-Wen, et al.
Veröffentlicht: (2024)

Federated Active Learning Under Extreme Non-IID and Global Class Imbalance
von: Zong, Chen-Chen, et al.
Veröffentlicht: (2026)

Multi-Label Knowledge Distillation
von: Yang, Penghui, et al.
Veröffentlicht: (2023)

Nested Graph Pseudo-Label Refinement for Noisy Label Domain Adaptation Learning
von: Wang, Yingxu, et al.
Veröffentlicht: (2025)

Dynamical Label Augmentation and Calibration for Noisy Electronic Health Records
von: Li, Yuhao, et al.
Veröffentlicht: (2025)

Addressing Long-Tail Noisy Label Learning Problems: a Two-Stage Solution with Label Refurbishment Considering Label Rarity
von: Wu, Ying-Hsuan, et al.
Veröffentlicht: (2024)

Tackling Noisy Clients in Federated Learning with End-to-end Label Correction
von: Jiang, Xuefeng, et al.
Veröffentlicht: (2024)

Learning with Noisy Labels by Adaptive Gradient-Based Outlier Removal
von: Sedova, Anastasiia, et al.
Veröffentlicht: (2023)

High-dimensional Learning with Noisy Labels
von: Firdoussi, Aymane El, et al.
Veröffentlicht: (2024)

Online Multi-Label Classification under Noisy and Changing Label Distribution
von: Zou, Yizhang, et al.
Veröffentlicht: (2024)

FedNoisy: Federated Noisy Label Learning Benchmark
von: Liang, Siqi, et al.
Veröffentlicht: (2023)

Learning to Clean: Reinforcement Learning for Noisy Label Correction
von: Heidari, Marzi, et al.
Veröffentlicht: (2025)

Conformal Prediction of Classifiers with Many Classes based on Noisy Labels
von: Penso, Coby, et al.
Veröffentlicht: (2025)

Efficient Bilevel Optimization for Meta Label Correction in Noisy Label Learning
von: Nguyen, Ba Hoang Anh, et al.
Veröffentlicht: (2026)

TMLC-Net: Transferable Meta Label Correction for Noisy Label Learning
von: Li, Mengyang
Veröffentlicht: (2025)

Potential Energy based Mixture Model for Noisy Label Learning
von: Wang, Zijia, et al.
Veröffentlicht: (2024)

Data-Driven Calibration of Prediction Sets in Large Vision-Language Models Based on Inductive Conformal Prediction
von: Ye, Yuanchang, et al.
Veröffentlicht: (2025)

Correcting Noisy Multilabel Predictions: Modeling Label Noise through Latent Space Shifts
von: Huang, Weipeng, et al.
Veröffentlicht: (2025)

Distribution-Aware Robust Learning from Long-Tailed Data with Noisy Labels
von: Baik, Jae Soon, et al.
Veröffentlicht: (2024)

Learning Robust Reward Machines from Noisy Labels
von: Parac, Roko, et al.
Veröffentlicht: (2024)

Balanced Edge Pruning for Graph Anomaly Detection with Noisy Labels
von: Wang, Zhu, et al.
Veröffentlicht: (2024)

Exploring the Robustness of In-Context Learning with Noisy Labels
von: Cheng, Chen, et al.
Veröffentlicht: (2024)

Learning with Noisy Labels through Learnable Weighting and Centroid Similarity
von: Wani, Farooq Ahmad, et al.
Veröffentlicht: (2023)

Calibrated Preference Learning: The Case of Label Ranking
von: Thies, Santo M. A. R., et al.
Veröffentlicht: (2026)

Revisiting Meta-Learning with Noisy Labels: Reweighting Dynamics and Theoretical Guarantees
von: Zhang, Yiming, et al.
Veröffentlicht: (2025)

CLID-MU: Cross-Layer Information Divergence Based Meta Update Strategy for Learning with Noisy Labels
von: Hu, Ruofan, et al.
Veröffentlicht: (2025)

A Complete Characterization of Learnability for Stochastic Noisy Bandits
von: Hanneke, Steve, et al.
Veröffentlicht: (2024)

Invariant Correlation of Representation with Label: Enhancing Domain Generalization in Noisy Environments
von: Jin, Gaojie, et al.
Veröffentlicht: (2024)

Learning from Noisy Labels for Long-tailed Data via Optimal Transport
von: Li, Mengting, et al.
Veröffentlicht: (2024)

Calibrated Language Models and How to Find Them with Label Smoothing
von: Huang, Jerry, et al.
Veröffentlicht: (2025)

Learning with Imbalanced Noisy Data by Preventing Bias in Sample Selection
von: Liu, Huafeng, et al.
Veröffentlicht: (2024)

The Illusion of Certainty: Decoupling Capability and Calibration in On-Policy Distillation
von: Zhang, Jiaxin, et al.
Veröffentlicht: (2026)

FedEFC: Federated Learning Using Enhanced Forward Correction Against Noisy Labels
von: Yu, Seunghun, et al.
Veröffentlicht: (2025)

Federated Learning Client Pruning for Noisy Labels
von: Morafah, Mahdi, et al.
Veröffentlicht: (2024)

Can LLMs Learn to Reason Robustly under Noisy Supervision?
von: Yang, Shenzhi, et al.
Veröffentlicht: (2026)

When Noisy Labels Meet Class Imbalance on Graphs: A Graph Augmentation Method with LLM and Pseudo Label
von: Xia, Riting, et al.
Veröffentlicht: (2025)

An Effective Dynamic Gradient Calibration Method for Continual Learning
von: Lin, Weichen, et al.
Veröffentlicht: (2024)

MAC: A Conversion Rate Prediction Benchmark Featuring Labels Under Multiple Attribution Mechanisms
von: Wu, Jinqi, et al.
Veröffentlicht: (2026)

Boosting Meta-Learning for Few-Shot Text Classification via Label-guided Distance Scaling
von: Gao, Yunlong, et al.
Veröffentlicht: (2026)

CleaR: Towards Robust and Generalized Parameter-Efficient Fine-Tuning for Noisy Label Learning
von: Kim, Yeachan, et al.
Veröffentlicht: (2024)