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。
雑音のあるラベルによる学習は,特に大規模データセットに対して,データアノテーションが必然的に不完全であるかもしれないので,多くの研究の関心を喚起している。最近のアプローチは,訓練サンプルをクリーンで雑音の多い集合に分割することにより,半教師つき学習問題に頼る。しかし,このパラダイムは,清浄なサンプルの数が,よく挙動する従来の方法では,あまりにも小さいので,重ラベルノイズの下で著しい退化を起こしやすい。本論文では,極端雑音の下での学習を明示的に取り組むために,LCブースターと呼ばれる新しいフレームワークを導入した。LCブースターのコアアイディアは,ラベル補正をサンプル選択に組み込むことであり,信頼できるラベル補正を通して,より精製したサンプルを訓練のために利用することができ,それによって確認バイアスを緩和することができる。実験は,LC-ブースターが,CIFAR-100,クローニング1M,およびWebVisionを含む,いくつかの雑音ラベルベンチマークに関する最新の結果を前進させることを示した。注目すべきことに,極端な90%のノイズ比の下で,LC-ブースターは,CIFAR-10とCIFAR-100で92.9%と48.4%の精度を達成し,大きなマージンによって最先端の方法を上回った。【JST・京大機械翻訳】