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。
雑音のあるラベルを持つ訓練深層ニューラルネットワーク(DNN)は,過パラメータ化により挑戦的な問題である。DNNは,初期段階でより高い速度で清浄なサンプルに本質的に適合し,その後,比較的遅い速度でノイズの多いサンプルにフィットする傾向がある。したがって,ノイズの多いデータセットによって,試験精度は,初期に増加して,後期段階で低下した。最大取得可能試験精度(MOTA)における早期停止点を見つけるため,最近の研究は,i)クリーン検証セットが利用できるか,あるいはii)ノイズ比が既知であるか,または両方が知られているかを仮定している。しかし,しばしばクリーン検証セットは利用できず,雑音推定は不正確である。これらの問題を克服するために,これらの条件のない新しい訓練ソリューションを提供した。訓練停止領域を同定するために,異なる条件下で異なる雑音比に対する訓練精度の変化率を解析した。さらに,MOTAの近くまたは近くにおける訓練停止点(TSP)を見つけるために,小学習仮定に基づく発見的アルゴリズムを開発した。知る限りでは,著者らの方法は,訓練行動にのみ依存し,一方,全体の訓練セットを利用して,TSPを自動的に見つける。CIFAR-10,CIFAR-100,および種々の雑音比,雑音タイプ,およびアーキテクチャのための実世界雑音データセットに関するいくつかの実験を通して,著者らのアルゴリズム(AutoTSP)のロバスト性を検証した。【JST・京大機械翻訳】