すべてから学ぶ：ノイズのあるラベルを持つ顔面表情認識におけるアテンション一貫性の削除

ノイズのあるラベルを伴う顔認識（Facial Expression Recognition: FER）は、クラス間の類似性やラベル付与の曖昧さのため、従来のノイズラベル分類タスクよりもさらに挑戦的な課題である。近年の研究では、主に損失が大きいサンプルをフィルタリングすることでこの問題に対処している。本論文では、ノイズラベルの処理を新たな特徴学習の視点から検討する。我々は、FERモデルがノイズを含むサンプルを記憶する理由として、真のラベルに内在する全体的な特徴ではなく、ノイズラベルに関連する一部の特徴に注目する傾向があることを発見した。この知見をもとに、訓練過程においてノイズサンプルを自動的に抑制する新しい手法、Erasing Attention Consistency（EAC）を提案する。具体的には、顔画像のフリップ意味的一貫性を活用して不均衡な枠組みを設計し、入力画像をランダムに部分的に消去（エラー）した上で、フリップ注目的一貫性を用いてモデルが特定の特徴部分に過剰に注目するのを防ぐ。EACは、最先端のノイズラベルFER手法を大きく上回り、クラス数が多いタスク（CIFAR100やTiny-ImageNetなど）にも良好な汎化性能を示す。コードは以下のURLで公開されている：https://github.com/zyh-uaiaaaa/Erasing-Attention-Consistency。