29、标签噪声下的数据清洗与分类及汇率预测方法研究

标签噪声下的数据清洗与分类及汇率预测方法研究

标签噪声下的数据清洗与分类

在数据分析和机器学习领域，标签噪声是一个常见且棘手的问题，它会对数据清洗和分类任务的准确性产生负面影响。为了解决这个问题，研究人员提出了一种基于特定类自动编码器的方法。

特定类自动编码器 $g_j(z)$（$j = 1, \ldots, K$）能够从潜在空间中的点 $z$ 重构高维样本，可将其视为第 $j$ 类某些原型的紧凑表示。由于该特定类自动编码器有效降低了标签噪声的影响，同时重构误差能够区分异常值和正常数据，因此基于最小重构误差准则，可以统一解决数据清洗和分类任务。

• 分类任务 ：对于测试数据 $x_t$，通过计算每个自动编码器上的重构误差，并将其分配给重构误差最小的类来预测标签 $y_t$，公式如下：
  $y_t = \arg\min_{j=1,2,3,\ldots,K} ||g_j(f_j(x_t)) - x_t||^2$。
• 数据清洗任务 ：通过一个指示函数判断数据是否包含标签噪声：
  $I(x) = \begin{cases} 1, & y \neq \hat{y} \ 0, & \text{otherwise} \end{cases}$
  其中 $y$ 是数据的标签，$\hat{y}$ 是通过上述公式预测的标签。

参数设置

在实现所提出的方法时，使用特定类自动编码器（CS - AE）和加权特定类自动编码器（CS - WAE）进行特征学习。参数设置主要与自动编码器的模型及其训练过程相关：