검색 기능은 준비 중입니다.
검색 기능은 준비 중입니다.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Unbiased Pseudo-Labeling for Learning with Noisy Labels 시끄러운 레이블을 사용한 학습을 ​​위한 편견 없는 의사 레이블 지정

Ryota HIGASHIMOTO, Soh YOSHIDA, Takashi HORIHATA, Mitsuji MUNEYASU

  • 조회수

    0

  • 이것을 인용

요약 :

훈련 데이터의 노이즈 레이블은 심층 신경망(DNN)의 성능을 크게 저하시킬 수 있습니다. 시끄러운 레이블을 사용한 학습에 대한 최근 연구에서는 암기 효과라는 DNN의 속성을 사용하여 훈련 데이터를 신뢰할 수 있는 레이블이 있는 데이터 세트와 신뢰할 수 없는 레이블이 있는 데이터 세트로 나눕니다. 준지도 학습 전략을 도입하는 방법은 신뢰할 수 없는 레이블을 버리고 모델의 확실한 예측에서 생성된 의사 레이블을 할당합니다. 지금까지 이 준지도 전략은 이 분야에서 최고의 결과를 가져왔습니다. 그러나 모델이 균형 잡힌 데이터에 대해 학습된 경우에도 의사 레이블의 분포는 여전히 데이터 유사성으로 인해 불균형을 나타낼 수 있음을 관찰했습니다. 또한 준지도 방법을 사용하여 훈련 데이터를 분할함으로써 발생하는 데이터 편향이 나타납니다. 의사 라벨에서 발생하는 두 가지 유형의 편향을 모두 해결하면 편향으로 인한 일반화 성능 저하를 피할 수 있습니다. 시끄러운 의사 라벨. 우리는 인과 추론을 기반으로 편견 없는 의사 라벨링을 도입하는 노이즈 라벨을 사용한 학습 방법을 제안합니다. 제안된 방법은 표준 벤치마크 CIFAR-10 및 CIFAR-100의 높은 잡음 비율 실험에서 상당한 정확도 향상을 달성했습니다.

발행
IEICE TRANSACTIONS on Information Vol.E107-D No.1 pp.44-48
발행일
2024/01/01
공개일
2023/09/19
온라인 ISSN
1745-1361
DOI
10.1587/transinf.2023MUL0002
원고의 종류
Special Section LETTER (Special Section on Enriched Multimedia — Media technologies opening up the future —)
범주

작성자

Ryota HIGASHIMOTO
  Kansai University
Soh YOSHIDA
  Kansai University
Takashi HORIHATA
  Kansai University
Mitsuji MUNEYASU
  Kansai University

키워드