信頼性のあるラベル補正は極めて雑音のあるラベルを用いた学習時の良いブースタである【JST・京大機械翻訳】

Wang Kai; Peng Xiangyu; Yang Shuo; Yang Jianfei; Zhu Zheng; Wang Xinchao; You Yang

プレプリント

J-GLOBAL ID：202202214497078355 整理番号：22P0341375

信頼性のあるラベル補正は極めて雑音のあるラベルを用いた学習時の良いブースタである【JST・京大機械翻訳】

Reliable Label Correction is a Good Booster When Learning with Extremely Noisy Labels

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2022年04月30日プレプリントサーバーでの情報更新日： 2022年07月19日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

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】

, , , , , , , , ,
, , , 【Automatic Indexing@JST】

人工知能

, , ,

前のページに戻る