Core Concepts
効果的な二段階アプローチによる長尾ノイズラベル問題の解決。
Abstract
現実世界のデータセットは、長い尾部分布やノイズのラベルを示すことが一般的です。先行研究は、この問題に対処するために、ノイズとクリーンなサンプルを区別することで対応してきましたが、これにより潜在的なエラーが導入されます。本研究では、コントラスティブラーニングを使用してロバストなソフトラベルリファービッシングを組み合わせた効果的な二段階アプローチを紹介しました。第一段階では、BAlanced Noise-tolerant Cross-entropy(BANC)損失を使用した分類器で訓練された予測を行い、第二段階ではマルチエキスパートアンサンブル学習用のソフトラベルリファービッシング方法が適用されました。複数のベンチマークで実施された実験は、我々のLR2アプローチの優越性を確認しました。
Stats
CIFAR-10およびCIFAR-100での正解率:94.19%および77.05%(シミュレートされたノイジーな長い尾データセット)
Food-101NおよびAnimal-10Nでの正解率:77.74%および81.40%(実際のノイジーな長い尾データセット)
Quotes
"我々は効果的な二段階アプローチを紹介しました。"
"Label Refurbishment considering Label Rarity(LR2)は既存の最先端手法を上回る傑出した精度を達成しました。"
"多くの試験結果が我々の手法の優れた性能を裏付けています。"