登入
洞見 - ノイズラベル学習
ノイズラベルに対するロバストな学習のための、適応的最近傍法と固有ベクトルに基づくサンプル選択：ANNE
本稿では、低および高ノイズレートのシナリオの両方で堅牢なサンプル選択を実現するために、損失ベースの選択と、適応的なK近傍法と固有ベクトル分解を組み合わせた新しいサンプル選択手法であるANNEを提案する。
ノイズラベルを持つデータセットからの効率的な学習のための ピア合意に基づくサンプル選択手法
ピア分類器間の予測確率の一致度を利用して、ノイズラベルとクリーンラベルのサンプルを効果的に選別する新しい手法を提案する。
ノイズラベルを持つデータからロバストなネットワークを学習する二流サンプルディスティレーション
ノイズラベル学習では、ノイズラベルの影響を最小限に抑えるため、高品質なサンプルを抽出して学習に活用することが重要である。本手法は、特徴空間とロス空間の両方の情報を活用してサンプルを選別し、さらにメタ学習を用いて半ハードサンプルを抽出することで、ロバストなネットワークの学習を実現する。
© 2024 by Linnk AI