Instanzabhängiges Lernen mit verrauschten Labels mittels graphischer Modellierung

Rauschende Labels sind in der Ökosystem der tiefen Lernverfahren unvermeidlich, jedoch problematisch, da Modelle leicht überanpassen können. Es existieren verschiedene Arten von Label-Rauschen, wie symmetrisches, asymmetrisches und instanzabhängiges Rauschen (IDN), wobei nur das IDN von den Bildinformationen abhängt. Diese Abhängigkeit von Bildinformationen macht das IDN zu einer entscheidenden Art von Label-Rauschen, das erforscht werden muss, da Beurteilungsfehler häufig auf unzureichende oder mehrdeutige visuelle Informationen über die Klassen in Bildern zurückzuführen sind. Um eine effektive Methode zur Bewältigung des IDN bereitzustellen, präsentieren wir einen neuen grafischen Modellierungsansatz namens InstanceGM, der diskriminative und generative Modelle kombiniert. Die Hauptbeiträge von InstanceGM sind: i) die Verwendung der kontinuierlichen Bernoulli-Verteilung zur Trainingsphase des generativen Modells, was erhebliche Vorteile beim Training bietet, und ii) die Nutzung eines modernsten Klassifizierers für Rauschlabels, um aus instanzabhängigen, rauschhaften Labels saubere Labels zu generieren. InstanceGM ist mit aktuellen Ansätzen zur Behandlung von Rauschlabels konkurrenzfähig, insbesondere in IDN-Benchmarks mit synthetischen und realen Datensätzen, wo unsere Methode in den meisten Experimenten eine höhere Genauigkeit als die Konkurrenten erreicht.