هل نقاط المرجعية حقًا ضرورية في تعلم الضوضاء التصنيفية؟

في تعلم التصنيف مع الضوضاء (label-noise learning)، تلعب مصفوفة انتقال الضوضاء (\textit{مصفوفة انتقال الضوضاء}، وهي تمثل احتمالات تحول العلامات النظيفة إلى علامات ضوضائية) دورًا محوريًا في بناء مصنفات إحصائيًا متسقة (\textit{مصنفات إحصائيًا متسقة}). أظهرت النظريات الحالية أن يمكن تعلم هذه المصفوفة من خلال استغلال نقاط الركائز (\textit{نقاط الركائز}، أي نقاط البيانات التي تنتمي إلى فئة معينة بدرجة كبيرة من اليقين). ومع ذلك، عندما لا تكون هناك نقاط ركائز، ستتعلم مصفوفة الانتقال بشكل سيء، مما يؤدي إلى تدهور كبير في أداء المصنفات الحالية المتسقة. في هذا البحث، وبدون استخدام نقاط الركائز، نقترح طريقة تعديل الانتقال (\textit{T-Revision}) لتعلم مصفوفات الانتقال بكفاءة أكبر، مما يؤدي إلى تحسين جودة المصنفات. بوجه خاص، لتعلم مصفوفة الانتقال، نقوم أولًا بتهيئة المصفوفة من خلال استغلال نقاط البيانات المشابهة لنقاط الركائز والتي لديها احتمالات ما بعدية عالية للتصنيف الضوضائي (\textit{noisy class posterior probabilities}). ثم نعدل المصفوفة المهيأة بإضافة متغير فراغ (\textit{متغير فراغ}) يمكن تعلمه والتحقق منه مع المصنف باستخدام بيانات ضوضائية. تُظهر النتائج التجريبية على مجموعة بيانات مقاييس المحاكاة وعلى بيانات العالم الحقيقي ذات التصنيف الضوضائي أن الطريقة المقترحة هي الأفضل بالمقارنة مع أفضل طرق تعلم التصنيف مع الضوضاء الحالية دون الحاجة لاستخدام نقاط ركائز دقيقة.