题目：A Parametrical Model for Instance-Dependent Label Noise
面向实例依赖标签噪声的参数化模型
作者：Shuo Yang; Songhua Wu; Erkun Yang; Bo Han; Yang Liu; Min Xu; Gang Niu; Tongliang Liu
摘要
在标签噪声学习中，估计转移矩阵是一个热门话题，因为该矩阵在构建统计一致的分类器中起着重要作用。传统上，从干净标签到噪声标签的转移（即干净标签转移矩阵（CLTM））已经在类依赖标签噪声（其中所有干净类别中的样本共享相同的标签转移矩阵）上得到了广泛的利用。然而，CLTM 无法很好地处理更常见的实例依赖标签噪声（其中需要在实例级别通过考虑输入质量来估计干净到噪声标签的转移矩阵）。鉴于分类器主要输出贝叶斯最优标签用于预测，本文研究直接对贝叶斯最优标签到噪声标签的转移进行建模（即贝叶斯-标签转移矩阵（BLTM））并学习一个分类器来预测贝叶斯最优标签。值得注意的是，给定仅有噪声数据，估计 CLTM 或 BLTM 都是不适定的。但有利的是ÿ