Core Concepts
本論文は、ノイズの多いラベル付け、複数の評価者によるラベル付け、人工知能と人間の協調を同時に扱うための新しい手法「LECOMH」を提案する。LECOMHは、分類精度を最大化し、人間との協力コストを最小化するように最適化される。
Abstract
本論文は、ノイズの多いラベル付け、複数の評価者によるラベル付け、人工知能と人間の協調の3つの課題に同時に取り組む手法を提案している。
ノイズの多いラベル付けの問題に対しては、ラベル付けノイズ学習(LNL)手法を用いて人工知能モデルを事前に訓練する。複数の評価者によるラベル付けの問題に対しては、CROWDLAB手法を用いて合意ラベルを生成する。人工知能と人間の協調の問題に対しては、Human-AI Selection Moduleと Collaboration Moduleを提案する。
Human-AI Selection Moduleは、人工知能の単独予測、人工知能と1人の人間の予測、人工知能と2人の人間の予測、といった協調形式を予測する。Collaboration Moduleは、Human-AI Selection Moduleで選択された人工知能と人間の予測を統合して最終的な分類を行う。
この訓練プロセスにより、分類精度を最大化し、人間との協力コストを最小化することができる。
提案手法LECOMH は、新しいベンチマークデータセットを用いて評価され、既存の手法と比較して優れた性能を示す。特に、人間の予測精度を向上させることができる唯一の手法である。
Stats
人工知能単独の予測精度は、CIFAR-10Hでは97.41%、Chaoyang82.44%、IDN20では96.64%、96.52%、96.36%、95.90%である。
人間の予測精度は、CIFAR-10Hでは高い、Chaoyang82.44%、IDN20では80%程度である。
Quotes
"The advent of learning with noisy labels (LNL), multi-rater learning, and human-AI collaboration has revolutionised the development of robust classifiers, enabling them to address the challenges posed by different types of data imperfections and complex decision processes commonly encountered in real-world applications."
"Real-world datasets often contain images annotated with multiple noisy labels due to the inherent uncertainty in labelling complex images, such as in breast cancer screening mammogram datasets Halling-Brown et al. [2020], where each image may require two to three noisy labels from experts, depending on case difficulty."