SELFIE: إعادة تأهيل العينات غير النظيفة لتعلم عميق موثوق
{Jae-Gil Lee Minseok Kim Hwanjun Song}
الملخص
بسبب القوة التعبيرية العالية جدًا للشبكات العصبية العميقة، فإن أحد آثارها الجانبية هو حفظ البيانات التدريبية بالكامل، حتى عندما تكون التصنيفات (الملصقات) مشوهة بشدة. وللتغلب على مشكلة التخصيص المفرط الناتجة عن التصنيفات الملوثة، نقترح طريقة تدريب جديدة ومقنعة تُسمى SELFIE. الفكرة الأساسية لدينا تكمن في إعادة تجهيز واستغلال عينات غير نظيفة يمكن تصحيحها بدقة عالية، وبالتالي زيادة تدريجية في عدد العينات التدريبية المتاحة. وباستغلال هذا التصميم، تُقلل SELFIE بشكل فعّال من خطر تراكم الأخطاء الناتجة عن التصحيح الخاطئ، وتكافئ الاستفادة الكاملة من بيانات التدريب. ولإثبات تفوق SELFIE، أجرينا تجارب واسعة باستخدام أربع مجموعات بيانات واقعية أو صناعية. وأظهرت النتائج أن SELFIE قدمت تحسنًا ملحوظًا في خطأ الاختبار المطلق مقارنة بطريقتين حديثتين من أحدث الطرق.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| learning-with-noisy-labels-on-animal | SELFIE | Accuracy: 81.8 ImageNet Pretrained: NO Network: Vgg19-BN |
بناء الذكاء الاصطناعي بالذكاء الاصطناعي
من الفكرة إلى الإطلاق — عجّل تطوير الذكاء الاصطناعي الخاص بك من خلال البرمجة المشتركة المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.