基于多专家噪声标签学习的人机协同分类方法LECOMH：提升分类精度与成本效益的新范式

（编辑推荐）本文提出创新性人机协同分类(HAI-CC)方法LECOMH，突破现有学习延迟(L2D)框架依赖干净标签的局限，通过多专家噪声标签学习(LNL)与多评分者学习(MRL)技术融合，实现无干净标签训练条件下AI与多人类专家的动态协同决策，并建立包含成本评估的新基准测试体系。

　　

Highlight

相关研究

LECOMH作为同时解决多噪声标签学习与人机协同挑战的新方法，本节回顾了噪声标签学习（LNL）、多评分者学习（MRL）和人机协同分类（HAI-CC）三大领域的研究进展。

学习与多人类专家互补的方法（LECOMH）

在HAI-CC场景中，C-分类任务对应含噪声标签的多评分者训练集D={(x_i,M_i)}_i=1^N，其中x_i∈X?R^d为d维样本向量，M_i={m_i,j}_j=1^M表示M位人类专家对样本x_i的噪声标注（m_i,j∈{1,?,C}）。如图1(a)所示，本方法包含：1）基于LNL预训练的AI模型；2）动态专家选择模块；3）成本感知的协同决策机制。

新型CIFAR-10基准测试

我们构建了两个基于CIFAR-10的新基准：首个基准采用人工标注生成的CIFAR-10N（含3个训练噪声标签/样本）和CIFAR-10H（含≈51个测试噪声标签/样本）。由于训练集标签数量限制，测试时通过Bootstrap采样模拟多专家场景。

实验验证

本节详述实验模型配置：采用ResNet-34为主干网络，通过交叉熵损失和T-Revision噪声校正技术处理多噪声标签。对比基线包括独立LNL方法（如Co-teaching）和传统HAI-CC方法（如L2D）。评估指标综合考量分类准确率与专家咨询成本。

结论

我们首次实现了完全基于多噪声标签训练的HAI-CC系统LECOMH，其通过动态整合AI与多专家预测，在保持最低协作成本（以启用专家数量衡量）的同时显著提升分类性能。新建立的含噪声标签基准测试体系为真实场景应用评估提供了重要工具。