証明可能かつエンドツーエンド型のラベルノイズ学習：アンカーポイントを必要としない

ラベルノイズ学習において、遷移行列（transition matrix）は統計的に一貫した分類器を構築する上で中心的な役割を果たす。従来の遷移行列の一貫性推定手法は、アンカーポイント（anchor points）を活用して開発されてきた。しかし、実世界のシナリオではアンカーポイントの仮定が常に満たされるわけではない。本論文では、アンカーポイントを必要とせずにラベルノイズ学習を解決するエンド・ツー・エンドフレームワークを提案する。このフレームワークでは、ニューラルネットワークによる予測確率とノイズ付きラベルとの間の交差エントロピー損失、および遷移行列の列が形成する単体（simplex）の体積という2つの目的関数を同時に最適化する。提案手法は、クリーンなクラス事後確率が十分に散らばっている場合、遷移行列を同定可能である。これは、遷移行列が証明可能に同定可能であり、学習された分類器が統計的に一貫するという仮定の中で、これまでで最も緩いものである。ベンチマークデータセットにおける実験結果から、本手法の有効性およびロバスト性が示された。