前言

 

在實際工作中，你是否遇到過這樣一個問題或痛點：無論是通過哪種方式獲取的標注數據，數據標注質量可能不過關，存在一些錯誤？亦或者是數據標注的標準不統一、存在一些歧義？特別是badcase反饋回來，發現訓練集標注的居然和badcase一樣？如下圖所示，QuickDraw、MNIST和Amazon Reviews數據集中就存在錯誤標注。

為了快速迭代，大家是不是常常直接人工去清洗這些“臟數據”？但數據規模上來了咋整？有沒有一種方法能夠自動找出哪些錯誤標注的樣本呢？基于此，本文嘗試提供一種可能的解決方案——置信學習。

本文的組織架構是：

總結

以上是生活随笔為你收集整理的深度学习核心技术精讲100篇（八十）-脏数据如何处理？置信学习解决方案的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。