Buchumschlag

An Inclusive Theoretical Framework of Robust Supervised Contrastive Loss against Label Noise

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cui, Jingyi, Zhang, Yi-Ge, Liu, Hengyu, Wang, Yisen
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Difficult Examples Hurt Unsupervised Contrastive Learning: A Theoretical Perspective
von: Zhang, Yi-Ge, et al.
Veröffentlicht: (2025)

An Augmentation-Aware Theory for Self-Supervised Contrastive Learning
von: Cui, Jingyi, et al.
Veröffentlicht: (2025)

On the Limits of Sparse Autoencoders: A Theoretical Framework and Reweighted Remedy
von: Cui, Jingyi, et al.
Veröffentlicht: (2025)

Is the Information Bottleneck Robust Enough? Towards Label-Noise Resistant Information Bottleneck Learning
von: Huang, Yi, et al.
Veröffentlicht: (2025)

Beyond Interpretability: The Gains of Feature Monosemanticity on Model Robustness
von: Zhang, Qi, et al.
Veröffentlicht: (2024)

An Augmentation Overlap Theory of Contrastive Learning
von: Zhang, Qi, et al.
Veröffentlicht: (2025)

Weakly-Supervised Contrastive Learning for Imprecise Class Labels
von: Zhou, Zi-Hao, et al.
Veröffentlicht: (2025)

DN-CL: Deep Symbolic Regression against Noise via Contrastive Learning
von: Liu, Jingyi, et al.
Veröffentlicht: (2024)

FedAnchor: Enhancing Federated Semi-Supervised Learning with Label Contrastive Loss for Unlabeled Clients
von: Qiu, Xinchi, et al.
Veröffentlicht: (2024)

Exploring Loss Design Techniques For Decision Tree Robustness To Label Noise
von: Sztukiewicz, Lukasz, et al.
Veröffentlicht: (2024)

Identifying and Correcting Label Noise for Robust GNNs via Influence Contradiction
von: Ju, Wei, et al.
Veröffentlicht: (2026)

Robust-GBDT: GBDT with Nonconvex Loss for Tabular Classification in the Presence of Label Noise and Class Imbalance
von: Luo, Jiaqi, et al.
Veröffentlicht: (2023)

Why LoRA Resists Label Noise: A Theoretical Framework for Noise-Robust Parameter-Efficient Fine-Tuning
von: Steele, Brady
Veröffentlicht: (2026)

Conformal Margin Risk Minimization: An Envelope Framework for Robust Learning under Label Noise
von: Shi, Yuanjie, et al.
Veröffentlicht: (2026)

Label-Noise Robust Diffusion Models
von: Na, Byeonghu, et al.
Veröffentlicht: (2024)

Why is SAM Robust to Label Noise?
von: Baek, Christina, et al.
Veröffentlicht: (2024)

Efficient Availability Attacks against Supervised and Contrastive Learning Simultaneously
von: Wang, Yihan, et al.
Veröffentlicht: (2024)

Do Generated Data Always Help Contrastive Learning?
von: Wang, Yifei, et al.
Veröffentlicht: (2024)

Label Noise Cleaning for Supervised Classification via Bernoulli Random Sampling
von: Liu, Yuxin, et al.
Veröffentlicht: (2026)

rSDNet: Unified Robust Neural Learning against Label Noise and Adversarial Attacks
von: Jana, Suryasis, et al.
Veröffentlicht: (2026)

Learning Label Hierarchy with Supervised Contrastive Learning
von: Lian, Ruixue, et al.
Veröffentlicht: (2024)

Variational Supervised Contrastive Learning
von: Wang, Ziwen, et al.
Veröffentlicht: (2025)

A Theoretical Framework for Preventing Class Collapse in Supervised Contrastive Learning
von: Lee, Chungpa, et al.
Veröffentlicht: (2025)

The Fisher-Rao Loss for Learning under Label Noise
von: Miyamoto, Henrique K., et al.
Veröffentlicht: (2022)

Non-negative Contrastive Learning
von: Wang, Yifei, et al.
Veröffentlicht: (2024)

SSR: An Efficient and Robust Framework for Learning with Unknown Label Noise
von: Feng, Chen, et al.
Veröffentlicht: (2021)

FedRGL: Robust Federated Graph Learning for Label Noise
von: Li, De, et al.
Veröffentlicht: (2024)

Leveraging Flatness to Improve Information-Theoretic Generalization Bounds for SGD
von: Peng, Ze, et al.
Veröffentlicht: (2026)

SimO Loss: Anchor-Free Contrastive Loss for Fine-Grained Supervised Contrastive Learning
von: Bouhsine, Taha, et al.
Veröffentlicht: (2024)

Look Ahead or Look Around? A Theoretical Comparison Between Autoregressive and Masked Pretraining
von: Zhang, Qi, et al.
Veröffentlicht: (2024)

Investigating the Robustness of Vision Transformers against Label Noise in Medical Image Classification
von: Khanal, Bidur, et al.
Veröffentlicht: (2024)

Learning to Retrieve with Weakened Labels: Robust Training under Label Noise
von: Sharma, Arnab
Veröffentlicht: (2025)

Robust Testing for Deep Learning using Human Label Noise
von: Lim, Gordon, et al.
Veröffentlicht: (2024)

A Generalized Learning Framework for Self-Supervised Contrastive Learning
von: Si, Lingyu, et al.
Veröffentlicht: (2025)

Introducing Fractional Classification Loss for Robust Learning with Noisy Labels
von: Kurucu, Mert Can, et al.
Veröffentlicht: (2025)

Robust Loss Functions for Training Decision Trees with Noisy Labels
von: Wilton, Jonathan, et al.
Veröffentlicht: (2023)

Bayesian Self-Supervised Contrastive Learning
von: Liu, Bin, et al.
Veröffentlicht: (2023)

Hide and Seek in Noise Labels: Noise-Robust Collaborative Active Learning with LLM-Powered Assistance
von: Yuan, Bo, et al.
Veröffentlicht: (2025)

A Theoretical Understanding of Self-Correction through In-context Alignment
von: Wang, Yifei, et al.
Veröffentlicht: (2024)

Best Transition Matrix Esitimation or Best Label Noise Robustness Classifier? Two Possible Methods to Enhance the Performance of T-revision
von: Liu, Haixu, et al.
Veröffentlicht: (2025)