抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
野生,例えば,ソーシャルメディアとオープンプラットフォームからの今日の利用可能なデータセットは,タグ付き画像のかなりの部分が存在するが,しばしば雑音のある,すなわち,誤り,ラベルがあるため,深い学習のための大きな機会と課題を提示する。最近の研究は,真のラベルの知識なしで,雑音のあるラベルに対する深いモデルのロバスト性を改善する。本論文では,元の画像に加えて雑音のあるラベルを学習特徴に変換することに加えて,雑音のあるラベルを積極的に利用する強力な分類器を導出することを提唱する。そのような端に対して,著者らは,互いに反復的に学習するAmateurとExpertから成る新しいフレームワーク,ExpertNetを提案する。アマチュアは,エキスパートのフィードバックによって訓練された正規画像分類器であり,それは,人間の専門家が,雑音パターンを用いて,Amaturから予測ラベルをいかに補正するかを,雑音パターンおよびグランドトルースラベルの両方の知識から学習する。訓練されたAmateurとExpertは,画像クラスを推論するために,画像とそれらの雑音のあるラベルを積極的に活用する。CIFAR-10,CIFAR-100,およびClosthing1Mの実世界データの雑音のあるバージョンに関する著者らの経験的評価は,提案モデルが,雑音のあるラベルの影響を蒸留するだけに焦点を合わせる最先端の深層モデルと比較して,広範囲のノイズ比に対してロバスト分類を達成し,また20-50%の訓練データで,わずか20-50%の訓練データで,ロバスト分類を達成できることを示した。【JST・京大機械翻訳】