读论文《May the Forgetting Be with You: Alternate Replay for Learning with Noisy Labels》
论文地址：https://arxiv.org/pdf/2408.14284v1.pdf
项目地址：github
论文主要研究了在存在噪声标签的情况下，如何改进持续学习（Continual Learning, CL）的性能。作者们指出，在现实世界的应用中，由于时间限制或数据自动收集等原因，标签噪声是一个常见问题，这使得现有的基于重放（Replay）的持续学习策略容易受到影响。
论文的主要贡献包括：
1.Alternate Experience Replay (AER): 提出了一种新的持续学习优化方案，通过交替进行缓冲区学习（buffer learning）和缓冲区遗忘（buffer forgetting）的步骤，来鼓励在缓冲区中分离干净样本和噪声样本。这种方法利用了遗忘机制来识别数据流中的噪声样本。
2.Asymmetric Balanced Sampling (ABS): 提出了一种新的样本选择策略，旨在优先选择当前任务的纯净样本，同时保留过去的相关样本。这种策略通过非对称分数来区分缓冲区中的样本是属于当前任务还是过去的任务，并据此进行样本的选择和替换。
3.实验验证: 通过大量的计算比较，证明了所提出方法在准确性和获得的缓冲区纯度方面的有效性。与现有的基于损失的净化策略相比，平均准确度提高了4.71%。
具体方法的详细描述如下：
-
问题设置：定义持续学习框架为从一系列 T 个任务中学习的过程。在每个任务 t 中，输入样本 Xt 和它们的注释 Yt 是从独立同分布 Dt 中抽取的。作者遵循类增量场景，即 Yt-1 与 Yt 没有交集，并且学习者 fθ 需要区分所有观察到的类别。
-
Alternate Experience Replay (AER)：
- 缓冲区学习：在此阶段，模型使用标准重放进行训练，不修改存储在内存缓冲区 M 中的样本。
- 缓冲区遗忘：在此阶段，省略对内存缓冲区的正则化，专注于训练 Dt 中的数据。通过停止正则化和随后的缓冲区数据点的遗忘，噪声样本的损失更可能迅速增加。
-
Asymmetric Balanced Sampling (ABS)：
- 样本插入：给定当前任务的数据批次 B，首先确定哪些样本应该被包含在缓冲区中。利用记忆效应，使用损失值的阈值标准。
- 样本选择：通过定义在缓冲区 M 中所有样本上的一个概率分布 p(x) 来进行选择过程。使用损失函数给出的分数 s(x) 来建模这个分布，并根据样本来自当前任务还是过去任务来采用非对称分数。
-
缓冲区巩固：在每个任务结束时，使用 MixMatch 方法来增强模型的鲁棒性，将不确定样本作为未标记数据使用。
)
