A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Learning from Noisy Complementary Labels with Robust Loss Functions Aprendendo com rótulos complementares barulhentos com funções de perda robustas

Hiroki ISHIGURO, Takashi ISHIDA, Masashi SUGIYAMA

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Foi demonstrado que conjuntos de dados rotulados em grande escala facilitam o sucesso do aprendizado de máquina. No entanto, a recolha de dados rotulados é muitas vezes muito dispendiosa e propensa a erros na prática. Para lidar com este problema, estudos anteriores consideraram o uso de um rótulo complementar, que especifica uma classe à qual uma instância não pertence e pode ser coletada mais facilmente do que rótulos comuns. No entanto, os rótulos complementares também podem ser propensos a erros e, assim, mitigar a influência do ruído dos rótulos é um desafio importante para tornar a aprendizagem dos rótulos complementares mais útil na prática. Neste artigo, derivamos condições para a função de perda tais que o algoritmo de aprendizagem seja não afetados por ruído em rótulos complementares. Experimentos em conjuntos de dados de benchmark com rótulos complementares ruidosos demonstram que as funções de perda que satisfazem nossas condições melhoram significativamente o desempenho da classificação.

Publicação
IEICE TRANSACTIONS on Information Vol.E105-D No.2 pp.364-376
Data de publicação
2022/02/01
Publicitada
2021/11/01
ISSN online
1745-1361
DOI
10.1587/transinf.2021EDP7035
Tipo de Manuscrito
PAPER
Categoria
Inteligência Artificial, Mineração de Dados

autores

Hiroki ISHIGURO
  University of Tokyo
Takashi ISHIDA
  University of Tokyo,RIKEN
Masashi SUGIYAMA
  University of Tokyo,RIKEN

Palavra-chave