SELFIE: Nachbearbeitung von verunreinigten Proben für robusteres Deep Learning

Aufgrund der äußerst hohen Ausdruckskraft tiefer neuronaler Netze führt deren Nebeneffekt dazu, dass sie Trainingsdaten sogar dann vollständig memorieren, wenn die Labels äußerst verrauscht sind. Um das Überanpassen an verrauschte Labels zu überwinden, schlagen wir eine neuartige robuste Trainingsmethode namens SELFIE vor. Unser zentrales Konzept besteht darin, selektiv unklare Beispiele zu überarbeiten und auszunutzen, die mit hoher Genauigkeit korrigiert werden können, wodurch die Anzahl verfügbarker Trainingsbeispiele schrittweise erhöht wird. Durch die Ausnutzung dieses Entwurfs verhindert SELFIE effektiv das Risiko einer Akkumulation von Rauschen durch falsche Korrekturen und nutzt die Trainingsdaten vollständig aus. Um die Überlegenheit von SELFIE zu validieren, führten wir umfangreiche Experimente an vier realen oder synthetischen Datensätzen durch. Die Ergebnisse zeigten, dass SELFIE die absolute Testfehlerquote im Vergleich zu zwei state-of-the-art-Methoden erheblich verbesserte.