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

Unbiased Pseudo-Labeling for Learning with Noisy Labels Pseudo-rotulagem imparcial para aprendizagem com rótulos barulhentos

Ryota HIGASHIMOTO, Soh YOSHIDA, Takashi HORIHATA, Mitsuji MUNEYASU

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Rótulos ruidosos em dados de treinamento podem prejudicar significativamente o desempenho de redes neurais profundas (DNNs). Pesquisas recentes sobre aprendizagem com rótulos ruidosos usam uma propriedade das DNNs chamada efeito de memorização para dividir os dados de treinamento em um conjunto de dados com rótulos confiáveis ​​e um conjunto de dados com rótulos não confiáveis. Métodos que introduzem estratégias de aprendizagem semissupervisionadas descartam os rótulos não confiáveis ​​e atribuem pseudo-rótulos gerados a partir das previsões confiáveis ​​do modelo. Até agora, esta estratégia semissupervisionada produziu os melhores resultados neste domínio. No entanto, observamos que mesmo quando os modelos são treinados em dados balanceados, a distribuição dos pseudo-rótulos ainda pode apresentar um desequilíbrio que é impulsionado pela similaridade dos dados. Além disso, observa-se um viés de dados que se origina da divisão dos dados de treinamento pelo método semissupervisionado. Se abordarmos ambos os tipos de preconceitos que surgem dos pseudo-rótulos, podemos evitar a diminuição no desempenho da generalização causada por preconceitos. ruidoso pseudo-rótulos. Propomos um método de aprendizagem com rótulos ruidosos que introduz pseudo-rotulagem imparcial baseada em inferência causal. O método proposto alcança ganhos significativos de precisão em experimentos com altas taxas de ruído nos benchmarks padrão CIFAR-10 e CIFAR-100.

Publicação
IEICE TRANSACTIONS on Information Vol.E107-D No.1 pp.44-48
Data de publicação
2024/01/01
Publicitada
2023/09/19
ISSN online
1745-1361
DOI
10.1587/transinf.2023MUL0002
Tipo de Manuscrito
Special Section LETTER (Special Section on Enriched Multimedia — Media technologies opening up the future —)
Categoria

autores

Ryota HIGASHIMOTO
  Kansai University
Soh YOSHIDA
  Kansai University
Takashi HORIHATA
  Kansai University
Mitsuji MUNEYASU
  Kansai University

Palavra-chave