초록
본 논문에서는 이미지 분류에서 노이즈 있는 레이블 문제를 해결하기 위해 새로운 개념인 어드바이저 네트워크(Advisor Network)를 제안한다. 깊은 신경망(DNN)은 노이즈 있는 레이블을 가진 학습 데이터에서 성능 저하 및 과적합 문제가 발생하기 쉬운데, 손실 가중치 방식은 이러한 노이즈 레이블의 영향을 줄이기 위해 각 데이터의 기여도를 완전히 제거하는 방식을 취한다. 그러나 이러한 제거 과정은 잘못된 이미지와 레이블 간의 오해를 방지하는 동시에, 특히 대부분의 샘플이 노이즈를 포함할 경우 사용 가능한 데이터 양을 감소시킨다는 단점이 있다. 반면에 본 연구에서 제안하는 방법은 각 데이터의 손실 값을 변경하지 않고, 분류기로부터 직접 추출한 특징을 가중치를 통해 조절한다. 어드바이저 네트워크는 잘못 레이블링된 예제들 내에 포함된 정보 중 일부에만 집중하도록 도와주어, 분류기가 이러한 데이터도 효과적으로 활용할 수 있도록 한다. 본 방법은 메타학습 전략을 사용하여 주 모델의 학습 과정 전반에 걸쳐 적응할 수 있도록 훈련되었다. 제안한 방법은 인공 노이즈가 포함된 CIFAR10 및 CIFAR100, 그리고 실제 세계의 노이즈를 포함한 Clothing1M 데이터셋에서 실험하였으며, 최신 기술(SOTA) 수준의 성능을 보고하였다.