이 논문은 반 지도 학습을 위한 새로운 경험적 위험 함수와 정규화 기법을 제안한다. 이 방법들은 f-divergence와 α-Rényi divergence에서 영감을 받았으며, 자기 훈련 기법(pseudo-labeling, 엔트로피 최소화)에 적용된다.
논문의 주요 내용은 다음과 같다:
f-divergence와 α-Rényi divergence에 기반한 새로운 경험적 위험 함수(DER)를 제안한다. 이 DER은 노이즈가 있는 pseudo-label에 대해 더 강건한 성능을 보인다.
DER을 pseudo-labeling과 엔트로피 최소화 기법에 결합한다. 이를 위해 f-divergence와 α-Rényi divergence에 영감을 받은 새로운 정규화 기법을 제안한다.
일부 divergence의 경우, 완전 지도 학습 시나리오에서 경험적 위험 함수와 진짜 위험 함수 간의 상한을 제공한다.
다양한 시나리오와 데이터셋에 대한 경험적 분석을 통해 노이즈가 있는 pseudo-label 환경에서 제안한 경험적 위험 함수와 정규화 기법의 성능을 보여준다.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Gholamali Am... at arxiv.org 05-02-2024
https://arxiv.org/pdf/2405.00454.pdfDeeper Inquiries