POTER：最优传输重加权框架应对虚假相关与标签噪声

2026年10月3日，arXiv cs.LG 分类发布论文，研究者提出 POTER——一种基于最优传输的重加权框架，用于应对虚假相关与标签噪声。该方法通过衡量训练分布与由有限验证组标注构建的参考分布之间的传输几何来推导样本重要性，从而降低误标注或强偏置对齐样本的权重。POTER 只需单次 ERM 训练阶段，无需近期工作中常见的重训练范式，在标准基准和噪声标签设置下取得 SOTA 最差组准确率，包括标签污染集中于少数子群的情况。该工作已被 NeurIPS 2026 接收。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。