노이즈 있는 레이블을 이용한 미세 분류

노이즈가 있는 레이블을 가진 학습(LNL)은 레이블이 손상된 학습 데이터셋이 주어졌을 때 모델의 일반화 성능을 보장하는 것을 목표로 한다. 본 연구에서는 세부 클래스 간의 높은 유사성으로 인해 더 많은 노이즈 레이블이 발생하는 세부 분류 데이터셋에서의 LNL에 대한 거의 다뤄지지 않은 시나리오(LNL-FG)를 탐구한다. 실증적으로 기존의 LNL에 효과적인 방법들이 LNL-FG에서는 만족스러운 성능을 달성하지 못함을 보여주며, LNL-FG에 대한 효과적인 해결책의 실용적 필요성을 제기한다. 이를 위해 우리는 구분 가능한 표현을 유도함으로써 레이블 노이즈에 강건한 새로운 프레임워크인 확률적 노이즈 내성 감독 대비 학습(SNSCL)을 제안한다. 구체적으로, 노이즈 레이블 보정을 위한 가중치 인식 메커니즘과 선택적 모멘텀 큐 업데이트를 통합한 노이즈 내성 감독 대비 학습 손실을 설계하였다. 이 메커니즘을 통해 노이즈가 있는 앵커의 영향을 완화하고, 모멘텀 업데이트 큐에 노이즈 레이블이 삽입되는 것을 방지할 수 있다. 또한, 대비 학습에서 수동적으로 정의된 증강 전략을 피하기 위해, 생성된 분포로부터 특징 임베딩을 확률적으로 샘플링하는 효율적인 확률적 모듈을 제안한다. 이 모듈은 깊은 모델의 표현 능력을 강화하는 데에도 기여한다. SNSCL은 기존의 강건한 LNL 전략들과 호환되며, 이를 통해 LNL-FG 상황에서의 성능을 향상시킬 수 있다. 광범위한 실험을 통해 SNSCL의 효과성을 입증하였다.