Основные понятия
Unser Ansatz Learning to Bootstrap (L2B) ermöglicht es Modellen, sich selbst unter Verwendung ihrer eigenen Vorhersagen zu bootstrappen, ohne nachteilig von fehlerhaften Pseudo-Labels beeinflusst zu werden. L2B erreicht dies, indem es das Gewicht zwischen echten beobachteten und generierten Labels sowie zwischen verschiedenen Samples dynamisch anpasst.
Аннотация
Der Artikel stellt eine einfache und effektive Methode namens Learning to Bootstrap (L2B) vor, die es Modellen ermöglicht, sich selbst unter Verwendung ihrer eigenen Vorhersagen zu bootstrappen, ohne nachteilig von fehlerhaften Pseudo-Labels beeinflusst zu werden.
L2B führt dies durch eine dynamische Anpassung der Wichtigkeit zwischen echten beobachteten und generierten Labels sowie zwischen verschiedenen Samples durch Meta-Lernen durch. Im Gegensatz zu bestehenden Methoden zur Instanzgewichtung liegt der Schlüssel zu unserer Methode in einem neuen, vielseitigen Ziel, das ein implizites Relabeling gleichzeitig ermöglicht, was zu erheblichen Verbesserungen ohne zusätzliche Kosten führt.
L2B bietet mehrere Vorteile gegenüber den Baseline-Methoden. Es liefert robustere Modelle, die weniger anfällig für die Auswirkungen von Labelrauschen sind, indem es den Bootstrapping-Prozess effektiver steuert. Es nutzt die wertvollen Informationen, die in verunreinigten Instanzen enthalten sind, besser, indem es die Gewichte sowohl von Instanzen als auch von Labels anpasst. Darüber hinaus ist L2B mit bestehenden Methoden zum Lernen mit verrauschten Labels kompatibel und liefert wettbewerbsfähige Ergebnisse für natürliche und medizinische Bildgebungsaufgaben, einschließlich Klassifizierung und Segmentierung, sowohl unter synthetischem als auch unter realen Rauschen.
Статистика
Die Genauigkeit auf CIFAR-100 mit 50% Rauschen verbessert sich um 8,9% im Vergleich zur Baseline-Methode.
Цитаты
Keine relevanten Zitate gefunden.