Core Concepts
人間のラベリングエラーは、従来の監督学習とは異なる影響を持ち、SCLにおいて特有の課題を提起する。SCL-RHEは、人間のラベリングエラーに対する耐性を持つ新しいSCL目的関数であり、従来の表現学習やノイズ軽減手法よりも優れた性能を示す。
Abstract
このコンテンツでは、人間のラベリングエラーが監督対照学習(SCL)に及ぼす影響とその特異性に焦点を当て、SCL-RHEという新しい目的関数が導入されました。SCL-RHEは実世界での人間のラベリングエラーに効果的に対処し、他の既存手法よりも優れたパフォーマンスを発揮します。
Stats
5.83% of images wrongly labeled in ImageNet-1K validation set.
Human-labelling errors often stem from high visual similarity between assigned and actual classes.
SCL-RHE consistently outperforms state-of-the-art representation learning methods.
Quotes
Labelling errors do not always adversely affect SCL, with their removal potentially reducing training sample size and lowering overall performance.
Existing noise-mitigating methods primarily focus on synthetic labelling errors, showing good performance when noise is intentionally added at levels ranging from 40% to 80%.