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。
半教師つき学習(SSL)は,ラベルが不十分であるとき,ラベルなしデータを活用することによって学習性能を改善することを目的とする機械学習の分岐である。最近,深いモデルを有するSSLは標準ベンチマークタスクで成功していることが証明されている。しかし,これらのベンチマークが完全なラベルなしデータを提供するので,実世界アプリケーションにおける様々なロバスト性脅威にはまだ脆弱であり,一方,現実的シナリオでは,ラベルなしデータが崩壊した。多くの研究者は,崩壊したラベルなしデータを利用した後に,SSLが厳しい性能劣化問題を受けることを指摘した。したがって,崩壊したラベルなしデータでロバストに動作できるSSLアルゴリズムを開発する緊急の必要性がある。ロバストSSLを完全に理解するために,調査研究を行った。最初に,機械学習の観点からロバストSSLの形式的定義を明らかにした。次に,ロバスト性の脅威を3つのカテゴリーに分類する:i)分布崩壊,即ち,ラベルなしデータ分布はラベル付きデータと不整合である;ii)特徴障害,即ち,ラベルなし例の特徴が敵対的に攻撃される;およびiii)ラベル崩壊,すなわちラベルなしデータのラベル分布は不均衡である。この統一分類の下で,これらの問題に焦点を当てた最近の研究の徹底的なレビューと議論を提供した。最後に,ロバストなSSL内の可能な有望な方向を提案し,将来の研究の洞察を提供する。【JST・京大機械翻訳】