标签平滑labelsmooth

参考这篇文章，非常细节

Label smoothing 标签平滑

应用

借助弱监督 方式引入外部数据集中的高质量数据（这里引入的数据是没有标签的数据 ）——解决了自行扩展数据集带来的测试偏移。步骤如下：

• 使用训练数据建立模型
• 预测爬取的数据的标签，对外部数据进行伪标签 标注。
• 结合样本分布和混淆矩阵的结果，设置了多级阈值，选择可信度高的数据，组合成新的数据集
• 重复1,2,3。

模型训练的过程中需要借助标签平滑 ，因为伪标注的标签会存在不正确的标签，所以不能完全信任标注标签。