OMDMix: Semi-Supervised Learning for Addressing Noisy Labels

2025
OriginalPaper
Buchkapitel

Erschienen in:

Verfasst von: Guanyu Chen; Ruihao Li; Defu Liu; Wei Yi
Erschienen in: Advanced Intelligent Computing Technology and Applications
Verlag: Springer Nature Singapore

Erstes Kapitel lesen Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

Handling noisy labels in large-scale datasets remains a significant challenge in machine learning, as manual correction is often impractical. To address this, we introduce OMDMix, a novel framework that leverages semi-supervised learning (SSL) to effectively manage noisy labels. Our approach consists of two primary components: the One-Miss-Drop (OMD) algorithm, which identifies and selects clean samples for an initial labeled dataset, and the Dynamic Sample Selection (DSS) algorithm, which iteratively expands the labeled dataset by integrating additional high-quality labels. By partitioning the dataset into labeled and unlabeled subsets and applying SSL techniques to both, OMDMix enhances model training. Experimental evaluations on CIFAR-10, CIFAR-100, and Clothing1M datasets reveal that OMDMix achieves superior or comparable performance to existing state-of-the-art methods for noisy label scenarios.

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Jetzt einloggen Kostenlos registrieren

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel BDGTA: A Hybrid Neural Architecture for Enhanced RFID Indoor Positioning Using Bidirectional GRU and Sparse Attention Mechanisms

Nächstes Kapitel FGSGT: Saliency-Guided Siamese Network Tracker Based on Key Fine-Grained Feature Information for Thermal Infrared Target Tracking

Metadaten
Literatur

Titel: OMDMix: Semi-Supervised Learning for Addressing Noisy Labels
Verfasst von: Guanyu Chen
Ruihao Li
Defu Liu
Wei Yi
Verlag: Springer Nature Singapore
Buch: Advanced Intelligent Computing Technology and Applications
Print ISBN: 978-981-9698-04-2

Electronic ISBN: 978-981-9698-05-9

Copyright-Jahr: 2025
DOI: https://doi.org/10.1007/978-981-96-9805-9_23

Dieser Inhalt ist nur sichtbar, wenn du eingeloggt bist und die entsprechende Berechtigung hast.