ノイズラベル学習

Entrar

insight - ノイズラベル学習

本稿では、低および高ノイズレートのシナリオの両方で堅牢なサンプル選択を実現するために、損失ベースの選択と、適応的なK近傍法と固有ベクトル分解を組み合わせた新しいサンプル選択手法であるANNEを提案する。

ピア分類器間の予測確率の一致度を利用して、ノイズラベルとクリーンラベルのサンプルを効果的に選別する新しい手法を提案する。

ノイズラベル学習では、ノイズラベルの影響を最小限に抑えるため、高品質なサンプルを抽出して学習に活用することが重要である。本手法は、特徴空間とロス空間の両方の情報を活用してサンプルを選別し、さらにメタ学習を用いて半ハードサンプルを抽出することで、ロバストなネットワークの学習を実現する。

Sobre

Produtos

Recursos