تعلم ضوضاء التسمية من النهاية إلى النهاية قابلاً للإثبات دون نقاط مرجعية

في تعلم التصنيف مع ضوضاء التسمية، تلعب مصفوفة الانتقال دورًا رئيسيًا في بناء تصنيفات متسقة إحصائيًا. تم تطوير مقدرات متسقة موجودة لمصفوفة الانتقال من خلال استغلال نقاط المُسنَد (anchor points). ومع ذلك، فإن افتراض نقاط المُسنَد ليس دائمًا محققًا في السيناريوهات الواقعية. في هذه الورقة، نقترح إطارًا نهائياً (end-to-end) لحل مشكلة تعلم التصنيف مع ضوضاء التسمية دون الحاجة إلى نقاط مُسنَد، حيث نُحسّن بشكل متزامن هدفين: خسارة التباين العددي (cross entropy loss) بين التسمية المُشوَّشة والاحتمال المُتنبأ به بواسطة الشبكة العصبية، وحجم المُثلث (simplex) المُكوَّن من أعمدة مصفوفة الانتقال. يمكن للإطار المقترح تحديد مصفوفة الانتقال إذا كانت احتمالات الفئة النظيفة (clean class-posterior probabilities) متناثرة بشكل كافٍ. هذا هو حتى الآن أضعف افتراض مُمكن يُثبت فيه التمييز (identifiability) لمصفوفة الانتقال، ويضمن التماسك الإحصائي للتصنيف الذي يتم تعلمه. أظهرت النتائج التجريبية على مجموعات بيانات معيارية كفاءة ومتانة الطريقة المقترحة.