Apprentissage avec des étiquettes bruitées par une estimation efficace de la matrice de transition pour lutter contre la miscorréction d’étiquettes

Les études récentes sur l’apprentissage avec des étiquettes bruitées ont montré des performances remarquables en exploitant un petit jeu de données propre. En particulier, les méthodes de correction d’étiquettes basées sur l’apprentissage métaléger indépendant du modèle améliorent davantage les performances en corrigeant les étiquettes bruitées en temps réel. Toutefois, aucune garantie n’existe contre les erreurs de correction d’étiquettes, entraînant inévitablement une dégradation des performances. De plus, chaque étape d’entraînement nécessite au moins trois rétropropagations, ce qui ralentit significativement le processus d’entraînement. Pour atténuer ces problèmes, nous proposons une méthode robuste et efficace qui apprend en temps réel une matrice de transition d’étiquettes. L’utilisation de cette matrice rend le classificateur sceptique vis-à-vis de tous les échantillons corrigés, ce qui atténue le risque d’erreurs de correction. Nous introduisons également une architecture à deux têtes permettant d’estimer efficacement la matrice de transition à chaque itération en une seule rétropropagation, de sorte que l’estimation de la matrice suive étroitement la distribution du bruit en évolution induite par la correction des étiquettes. Des expériences étendues démontrent que notre approche atteint les meilleures performances en termes d’efficacité d’entraînement tout en offrant une précision comparable ou supérieure à celle des méthodes existantes.