17日前

ノイズ付きラベルにおける学習のためのロバスト時系列アンサンブル

Abel Brown, Benedikt Schifferer, Robert DiPietro
ノイズ付きラベルにおける学習のためのロバスト時系列アンサンブル
要約

ノイズのあるラベルを用いた深層ニューラルネットワークの成功した学習は、現実世界のデータセットの多くに誤ラベルデータが含まれるため、必須の能力である。このラベルノイズが是正されない場合、従来の教師あり学習手法の性能は著しく低下する。本論文では、ロバストな損失関数と半教師あり正則化手法を組み合わせることで、ノイズに強い学習を実現する「ロバスト時系列アンサンブル(Robust Temporal Ensembling, RTE)」を提案する。我々は、CIFAR-10、CIFAR-100、ImageNet、WebVision、Food-101Nの各データセットにおいて、RTEが最先端の性能を達成することを実証した。また、近年のトレンドであるラベルのフィルタリングや修正を一切行わない点も特徴である。さらに、CIFAR-10-Cを用いた実験により、RTEが予期せぬ入力ノイズに対しても優れた耐性を維持していることを示した。80%のノイズ比率下でも平均障害誤差(mCE)は13.50%にとどまる一方、標準的手法ではクリーンデータ上で26.9%のmCEを記録するという結果を得た。

ノイズ付きラベルにおける学習のためのロバスト時系列アンサンブル | 最新論文 | HyperAI超神経