Centrala begrepp
Effektive Bewältigung von langschwänzigen, lauten Label-Lernproblemen durch eine zweistufige Lösung mit Label-Refurbishment und Multi-Expert-Ensemble-Learning.
Sammanfattning
Das Paper adressiert die Herausforderungen von langschwänzigen, lauten Label-Klassifikationen durch eine innovative zweistufige Methode. Es kombiniert eine Soft-Label-Refurbishment-Technik mit Multi-Expert-Ensemble-Learning, um sowohl mit lauten Labels als auch langschwänzigen Verteilungen umzugehen. Die Methode übertrifft bestehende Ansätze in umfangreichen Experimenten auf simulierten und realen Datensätzen.
- Real-world-Datensätze zeigen häufig laute Labels und Klassenungleichgewichte.
- Zwei-Stufen-Ansatz: Soft-Label-Refurbishment und Multi-Expert-Ensemble-Learning.
- Experimente auf simulierten und realen Datensätzen zeigen überlegene Leistung.
Statistik
Experiments conducted across multiple benchmarks validate the superiority of our approach, Label Refurbishment considering Label Rarity (LR2), achieving remarkable accuracies of 94.19% and 77.05% on simulated noisy CIFAR-10 and CIFAR-100 long-tail datasets, as well as 77.74% and 81.40% on real-noise long-tail datasets, Food-101N and Animal-10N, surpassing existing state-of-the-art methods.
Citat
"Unsere Methode übertrifft alle Baselines unter einem Ungleichgewichtsverhältnis von 10, unabhängig von den Rauschraten, sowohl für CIFAR-10 als auch für CIFAR-100."