文献

J-GLOBAL ID：202202238273101790   整理番号：22A0416424

DICE:雑音のあるラベルによるロバストな学習のための動的誘導クロスエントロピー【JST・京大機械翻訳】

DICE: Dynamically Induced Cross Entropy for Robust Learning with Noisy Labels

著者 (1件)： Liu Tianyu (Institute for Artificial Intelligence, Tsinghua University (THUAI), Beijing National Research Center for Information Science and Technology (BNRist), State Key Lab on Intelligence Technology and Systems, Department of Computer Science and Technology, Tsinghua University, Beijing, People’s...)
資料名： Communications in Computer and Information Science  (Communications in Computer and Information Science)
巻： 1515  ページ： 113-126  発行年： 2022年 
JST資料番号： W5071A  ISSN： 1865-0929  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 画像分類は過去5年間の人工知能の革命をもたらした。しかし,画像分類アルゴリズムは,実世界状況におけるラベル付きデータにおける感覚入力とノイズにおける固有分散によって著しく影響を受ける。また,実世界におけるアイテムのクラス数は,典型的な実験セットアップのそれより有意に大きかった。かなりの雑音を有する巨大ラベル空間における大規模モデルをいかに速度的に訓練/微調整するかは,機械学習コミュニティの最近の関心事である。本論文は,大規模ラベル空間(50030クラス)と厳しいラベルノイズを有するAliProducts大規模製品分類データセットに関する事前訓練された効率的Netモデルを微調整するための多段訓練アルゴリズムを提案した。提案手法は,大規模予訓練段階で得られた事前知識を維持しながら,そのようなデータセット上でよく一般化できる。著者らの新規動的誘導交差エントロピー(DICE)ネットワーク損失と,不均衡データセットに取り組むためのいくつかの他の方法と,モデル収束を改善するために,モデルは,Top-1精度の76.67%とTop-5精度の85.42%を達成し,それは,対称交差エントロピーより3.63%/2.9%高く,そして,カテゴリ交差エントロピー損失(CCE)による通常の微調整法より,かなり高かった。Copyright Springer Nature Singapore Pte Ltd. 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *エントロピー ,  *雑音 ,  対称性 ,  ネットワーク ,  人工知能 ,  *ロバスト性 ,  学習アルゴリズム
準シソーラス用語： 事前知識 ,  画像分類 ,  分類アルゴリズム ,  *クロスエントロピー ,  不均衡データセット , 【Automatic Indexing@JST】

著者キーワード (3件)： ロバストな損失 ,  雑音のあるラベル ,  画像分類

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (6件)： 雑音 ,  ラベル ,  ロバスト ,  学習 ,  誘導 ,  クロスエントロピー