ICLR2017文章：使用一个噪声适应层训练标签有噪声的深度神经网络_training deep neural-networks using a noise adapta

文章标题：TRAINING DEEP NEURAL-NETWORKS USING A NOISE ADAPTATION LAYER, Jacob Goldberger & Ehud Ben-Reuven Engineering Faculty, Bar-Ilan University

摘要：不准确的标签会严重影响分类器的表现，当观测的标签有噪声时，我们可以吧正确的标签认为是一个隐变量，把噪声过程认为是一个未知参数的communication channel。该作者之前使用的方法是EM算法来寻找此未知变量，并且以此来估计正确标签。在这篇文章中作者使用多加的一层神经网络的softmax层来模拟EM算法优化的似然函数。

本文算法流程及代码

1. 在minist数据集上模拟有噪声的标签
   选取训练样本的标签，对他们以46%的概率污染，即将其实际的标签翻转为另外一个标签。翻转的矩阵如下：
   perm = np.array([7, 9, 0, 4, 2, 1, 3, 5, 6, 8])
   意味着原始标签为2的样本有46%的概率被标记为0（矩阵第3列），其他同理。

我的笔记：感觉这种处理方法没有很靠谱，也没有贴近实际。比如原始标签为7的被污染（认错）时可能会被误标记为9，1等等。这里的翻转矩阵看起来是随机标记的。

2. 在被污染的样本标签作为教师的情况下训练一个神经网络，并且在验证集上测试得到的结果作为baseline，大约是79.45%的准确率。

神经网络是两层简单的全连接层。

nhiddens = [500, 300]
    DROPOUT = 0.5
1