インスタンス依存型ノイズラベル学習：グラフィカルモデリングによるアプローチ

深層学習の生態系において、ノイズのあるラベルは避けがたいが、問題を引き起こす要因となる。モデルが容易にそれらに過剰適合（overfit）してしまうためである。ラベルノイズには、対称的ノイズ、非対称的ノイズ、およびインスタンス依存型ノイズ（Instance-Dependent Noise: IDN）など、さまざまな種類が存在する。その中でIDNのみが画像情報に依存する特徴を持つ。この画像情報への依存性は、画像に含まれる視覚的クラスに関する情報が不十分または曖昧であることがラベルミスの主な原因であることを考慮すると、IDNが研究において特に重要なタイプであると考えられる。本研究では、IDNに対処する効果的な手法を提供することを目的として、識別モデルと生成モデルを統合する新しいグラフィカルモデリング手法、InstanceGMを提案する。InstanceGMの主な貢献は以下の2点である：i) 生成モデルの学習に連続的ベルヌーイ分布（continuous Bernoulli distribution）を用いることで、著しい学習上の利点をもたらす点、ii) 最先端のノイズラベル識別分類器を活用し、インスタンス依存型ノイズラベルサンプルからクリーンラベルを生成するアプローチを探索した点である。InstanceGMは現在のノイズラベル学習手法と比較しても競争力を持ち、特に合成データおよび実世界データを用いたIDNベンチマークにおいて、多数の実験で他の手法よりも高い精度を示している。