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。
深層ニューラルネットワークは表現学習において大きな成功を収めている。しかしながら,ノイズのあるラベル(LNL)を用いた学習では,それらは容易に過剰適合し,新しいデータに一般化することができない。本論文では,ブートストラップ学習(L2B)と呼ばれるシンプルで効果的な手法を提案し,それにより,誤った擬似ラベルにより逆の影響を受けずに,それら自身の予測を用いて自分自身をブートストラップするモデルが可能になることを述べた。それは,メタ学習を通して異なるサンプル間だけでなく,実際の観測および生成ラベル間の重要度重みを動的に調整することにより,これを達成した。既存のインスタンス再重みづけ手法とは異なり,提案手法に対する鍵は,追加的コストの浪費無しに大幅な改善に繋がる,暗黙的再ラベル付けを同時に可能にする新しい多目的にある。L2Bはベースライン法よりもいくつかの利点を提供する。それは,ブートストラップ手順をより効果的に導くことにより,雑音のあるラベルの影響に敏感でない,よりロバストなモデルを生成する。それは,インスタンスとラベルの両方の重みを適応させることによって,破損したインスタンスに含まれる貴重な情報をよりよく活用する。さらに,L2Bは既存のLNL手法と互換性があり,人工的および実世界ノイズの両者の下で分類およびセグメンテーションを含む自然および医用画像処理タスクにまたがる競合的結果を提供する。包括的な実験により,提案手法ではノイズのあるラベルの挑戦課題を効果的に緩和し,検証サンプルが殆ど必要とせず,画像セグメンテーションのようなその他のタスクに対して良く一般化されることが多いことを示した。これは,既存のLNL技術に対するロバストな補完として位置づけるだけでなく,その実用的適用性を強調する。コードとモデルはhttps://github.com/yuyinzhou/l2bで利用可能である。【JST機械翻訳】