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。
大規模データセットに関する正確なラベルの取得は,時間がかかり,高価である。クリーンラベル付きデータからの学習に対する深層学習モデルの依存性を低減するために,いくつかの最近の研究努力が,雑音のあるラベルによる学習に焦点を合わせている。これらの方法は,雑音ロバストモデル,すなわちサンプル選択アプローチ,雑音ロバスト損失関数,またはラベル補正法,を学習するための3つの設計カテゴリーに典型的に落下する。本論文では,雑音のあるラベルに対するロバスト性を達成するために,共同訓練フレームワークにおいて,すべての3つの世界から最良を結合するハイブリッドアプローチであるPARS:擬似Label Awareロバストサンプル選択を提案した。特に,PARSは,自己訓練を介して,生/無音ラベルと推定/改装擬似ラベルの両方を用いて,すべての訓練サンプルを利用し,損失解析により曖昧で雑音の多い部分集合にサンプルを分割し,フィルタラベルの両方の集合に対してラベル依存雑音意識損失関数を設計した。その結果,PARSは,雑音の多いCIFAR-10とCIFAR-100データセット,特に挑戦的な高雑音と低資源設定に関する広範な研究に関して,最先端技術よりも著しく優れていることが分かった。特に,PARSは,90%の対称ラベルノイズを有するCIFAR-100データセットの試験精度の絶対12%の改善を達成し,雑音のあるラベルの1/5だけを追加制限として訓練中に利用できるとき,試験精度の絶対27%の改善を達成した。実世界の雑音の多いデータセットでは,Closthing1M,PARSは,最先端の状態に対して競合的な結果を達成する。【JST・京大機械翻訳】