MIND: Decoupling Model-Induced Label Noise via Latent Manifold Disentanglement
MIND：通过潜在流形解耦分离模型诱导的标签噪声
🧭 标签噪声鲁棒学习 · 潜在流形解耦
State Key Laboratory of Novel Software Technology, Nanjing University
将模型诱导的系统性标签噪声解耦为子空间依赖成分，用动态聚类估计噪声以校正伪标注。
📌 工作参考价值（4 点）
- 在电商商品自动分类/属性标注中，使用伪标签训练时，可借鉴LDE模块动态聚类识别系统性错误模式，提升伪标签质量。
- 作为基础模型蒸馏的鲁棒框架，在生成式推荐（如用VLM生成商品描述）中校正幻觉噪声，避免错误级联。
- 为Agent反馈信号去噪提供思路：通过将噪声与数据流形解耦，识别智能体交互中重复出现的偏差模式，提高强化训练稳定性。
- 采用分层噪声鲁棒性评估协议，设计更贴近真实分布外噪声的结构压力测试，评估实际部署中的模型韧性。