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。
最近,自己監督されたコントラスト学習(CL)は,過剰適合雑音ラベルから深いネットワークを防ぐのに非常に効果的であることが示されている。その経験的成功にもかかわらず,ブースティングロバスト性に対するコントラスト学習の影響の理論的理解は非常に限られている。本研究では,コントラスト学習により学習された表現行列は,ロバスト性を,持って,ロバスト性を強化させることを厳密に証明する。(i)データにおける各サブクラスに対応する1つの顕著な特異値,および著しく小さい残留特異値;(ii)顕著な特異ベクトルと各サブクラスのクリーンラベル間の大きなアラインメント。上述の特性は,雑音を過剰適合せずに,効果的にクリーンラベルを学習するために,そのような表現で訓練された線形層を可能にし,さらに,コントラスト学習で事前訓練された深層ネットワークのJacobiの低ランク構造が,雑音のあるラベル上で微調整するとき,まず優れた性能を達成できることを示した。最後に,コントラスト学習により提供される初期ロバスト性は,極端な雑音レベル,例えば,平均27.18%と15.58%の,CIFAR-10とCIFAR-100の精度を,80%の非対称雑音ラベルで,また,4.11%の精度で,WebVisionで精度を増加できる,ロバストな訓練法を可能にすることを実証した。【JST・京大機械翻訳】