초록
노이즈 있는 레이블을 가진 환경에서 학습하는 기존 방법들은 인위적으로 주입된 노이즈를 가진 데이터셋에서는 성공적으로 처리해왔지만, 실제 세계에서 발생하는 노이즈에 대한 대응은 여전히 부족한 실정이다. 머신러닝의 다양한 분야에서 메타학습(Meta-learning)의 활용이 증가함에 따라, 연구자들은 보조적인 소규모 정제된 데이터셋을 활용하여 학습 레이블을 메타적으로 보정하는 방식을 도입하였다. 그러나 기존의 메타-레이블 보정 기법들은 그 잠재력을 충분히 활용하지 못하고 있다. 본 연구에서는 노이즈 있는 레이블 학습(Learning with Noisy Labels, LNL) 문제를 해결하기 위해, 개선된 메타-레이블 보정 기법(EMLC: Enhanced Meta Label Correction)을 제안한다. 우리는 메타학습 과정을 재검토하고, 더 빠르고 정확한 메타-그래디언트 도출 방식을 제안한다. 또한 LNL 문제에 특화된 새로운 테이처(teacher) 아키텍처를 도입하며, 이에 맞춰 새로운 학습 목표를 설계하였다. EMLC는 기존 방법들을 모두 능가하며, 모든 표준 벤치마크에서 최고 성능을 기록하였다. 특히, 실제 세계의 노이즈 데이터셋인 Clothing1M에서 기존 최고 성능 대비 1.52%의 성능 향상을 달성하였으며, 기준 방법 대비 에포크당 처리 시간은 절반(×0.5)으로 줄이고, 메타-목표 함수의 수렴 속도 또한 훨씬 빠르게 구현하였다.