초록
우리는 분류기의 예측값과 지도 학습 레이블 간에 적절히 정의된 $f$-다이버전스 측도를 최대화할 때 레이블 노이즈에 대해 어떻게 안정적인지를 보여준다. 이 다이버전스의 변분 형태를 활용하여, 레이블 노이즈가 존재할 경우 특정 $f$-다이버전스 측도의 가족에 대해 아름다운 분리 성질을 도출한다. 이 성질에 따르면, 다이버전스는 깨끗한 분포에 대해 정의된 변분 차이의 선형 조합과 노이즈로 인해 발생하는 편향 항의 합으로 표현됨을 보인다. 위의 이론적 도출은 다양한 $f$-다이버전스 함수의 안정성 분석을 가능하게 한다. 안정성이 입증된 이 가족의 $f$-다이버전스 측도는 레이블 노이즈율을 사전에 지정할 필요 없이 노이즈 있는 레이블을 가진 학습 문제에 유용한 측도로 활용될 수 있다. 반면, 이러한 측도가 안정적이지 않을 경우, 이를 안정적으로 만들기 위한 수정 방안을 제안한다. 이론적 결과 외에도, 철저한 실험적 증거를 제시한다. 본 연구의 코드는 https://github.com/UCSC-REAL/Robust-f-divergence-measures 에서 공개되어 있다.