一种面向属性依赖标签噪声的分布自适应识别方法

本发明公开了一种面向属性依赖标签噪声的分布自适应识别方法，属于机器学习与数据挖掘技术领域。针对现有技术中存在的类别中心偏移、噪声分布动态适应性不足及单一模型拟合局限等问题，提出以下核心方案：(1)设计鲁棒属性核迭代算法，通过余弦相似度动态加权样本并优化类别中心，降低异常样本干扰；(2)利用分布自适应模型，结合高斯混合模型与伽马混合模型的分布拟合优势，基于KL散度与训练阶段自适应分配模型权重；(3)融合半监督学习框架，将噪声样本转化为无标签数据联合训练。本发明在人工合成属性依赖噪声的CIFAR‑10、CIFAR‑100数据集及真实噪声数据集Animal‑10N、Clothing1M上的实验验证了其有效性。