本論文では、ノイズラベルを含むデータセットから効率的に学習するための新しい手法「ピア合意に基づくサンプル選択(PASS)」を提案している。
PASS は以下の特徴を持つ:
3つの分類器を用いて、2つの分類器の予測確率の一致度に基づいてサンプルを選別する。これにより、クリーンラベルのサンプルとノイズラベルのサンプルを効果的に区別できる。
PASS は既存のノイズラベル学習モデル(InstanceGM、DivideMix、SSR、FaMUS、AugDesc、C2D)に容易に統合できる。
様々なベンチマークデータセット(CIFAR-100、CIFAR-N、Animal-10N、Red mini-ImageNet、Clothing1M、mini-WebVision)で、PASS を統合することで既存手法の精度を向上させることができる。
実験的な分析により、PASS がクリーンラベルとノイズラベルのサンプルを他手法よりも正確に選別できることを示している。
다른 언어로
소스 콘텐츠 기반
arxiv.org
더 깊은 질문