Fugu-MT 論文翻訳(概要): Deep k-NN for Noisy Labels

論文の概要: Deep k-NN for Noisy Labels

arxiv url: http://arxiv.org/abs/2004.12289v1
Date: Sun, 26 Apr 2020 05:15:36 GMT
ステータス: 処理完了
システム内更新日: 2022-12-09 13:10:30.610770
Title: Deep k-NN for Noisy Labels
Title（参考訳）: 雑音ラベルのためのディープk-NN
Authors: Dara Bahri, Heinrich Jiang, Maya Gupta
Abstract要約: 予備モデルのロジット層上での単純な$k$-nearest近傍フィルタリング手法により、ラベルの誤りを除去し、最近提案された多くの手法よりも正確なモデルを生成することができることを示す。
参考スコア（独自算出の注目度）: 55.97221021252733
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Modern machine learning models are often trained on examples with noisy labels that hurt performance and are hard to identify. In this paper, we provide an empirical study showing that a simple $k$-nearest neighbor-based filtering approach on the logit layer of a preliminary model can remove mislabeled training data and produce more accurate models than many recently proposed methods. We also provide new statistical guarantees into its efficacy.
Abstract（参考訳）: 現代の機械学習モデルは、しばしば、パフォーマンスが損なわれ、識別が難しいノイズラベルのある例で訓練される。本稿では,予備モデルのロジット層に対する簡単な$k$-nearest 隣り合うフィルタリング手法により,誤ラベル付きトレーニングデータを除去し,最近提案された多くの手法よりも正確なモデルを生成することができることを示す。また,その有効性に関する新たな統計的な保証も提供する。

関連論文リスト

Foster Adaptivity and Balance in Learning with Noisy Labels [26.309508654960354]
我々はtextbfSelf-adaptivtextbfE とクラスバランスtextbfD 方式でラベルノイズに対処するための textbfSED という新しい手法を提案する。平均教師モデルは、ノイズの多いサンプルのラベルを修正するために使用される。また,検出した雑音に異なる重みを割り当てる自己適応型およびクラスバランスのサンプル再重み付け機構を提案する。
論文参考訳（メタデータ） (2024-07-03T03:10:24Z)
Federated Learning with Extremely Noisy Clients via Negative Distillation [70.13920804879312]
フェデレーテッド・ラーニング (FL) は, ノイズラベルに悩まされながら, ディープモデルの協調訓練において顕著な成功を収めた。ノイズの多いクライアントで訓練されたモデルを活用するために, 負蒸留(FedNed)と呼ばれる新しい手法を提案する。 FedNedはまずノイズの多いクライアントを特定し、知識蒸留方式でノイズの多いクライアントを捨てるのではなく採用する。
論文参考訳（メタデータ） (2023-12-20T01:59:48Z)
Combating Label Noise With A General Surrogate Model For Sample Selection [84.61367781175984]
本稿では,視覚言語サロゲートモデルCLIPを用いて,雑音の多いサンプルを自動的にフィルタリングする手法を提案する。提案手法の有効性を実世界および合成ノイズデータセットで検証した。
論文参考訳（メタデータ） (2023-10-16T14:43:27Z)
Late Stopping: Avoiding Confidently Learning from Mislabeled Examples [61.00103151680946]
そこで本研究では,DNNの長期学習プロセスを通じて,本質的な頑健な学習能力を生かした新しいフレームワークであるLatlas Stoppingを提案する。誤ラベルとクリーンな例は、それらが一貫して正しく分類されるために必要なエポックの数に相違があることを実証的に観察する。ベンチマークシミュレーションと実世界のノイズデータセットによる実験結果から,提案手法は最先端の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2023-08-26T12:43:25Z)
Label-Retrieval-Augmented Diffusion Models for Learning from Noisy Labels [61.97359362447732]
ノイズの多いラベルからの学習は、実際のアプリケーションのための機械学習において、重要かつ長年にわたる問題である。本稿では,生成モデルの観点からラベルノイズ問題を再構成する。我々のモデルは、標準的な実世界のベンチマークデータセットで新しいSOTA(State-of-the-art)結果を達成する。
論文参考訳（メタデータ） (2023-05-31T03:01:36Z)
Learning with Noisy labels via Self-supervised Adversarial Noisy Masking [33.87292143223425]
対向雑音マスキングと呼ばれる新しいトレーニング手法を提案する。入力データとラベルを同時に調整し、ノイズの多いサンプルが過度に収まらないようにする。合成および実世界のノイズデータセットの両方でテストされる。
論文参考訳（メタデータ） (2023-02-14T03:13:26Z)
Influential Rank: A New Perspective of Post-training for Robust Model against Noisy Labels [23.80449026013167]
本稿では,雑音ラベル(LNL)からポストトレーニングを通じて学習する新しい手法を提案する。我々は、トレーニングされたモデルの過度な適合性を利用して、誤ラベルされたサンプルを識別する。我々のポストトレーニングアプローチは、既存のLNL法と組み合わせることで大きなシナジーを生み出す。
論文参考訳（メタデータ） (2021-06-14T08:04:18Z)
Learning from Noisy Labels for Entity-Centric Information Extraction [17.50856935207308]
エンティティ中心の情報抽出のための単純な共正規化フレームワークを提案する。これらのモデルはタスク固有の損失と共同最適化され、同様の予測を生成するために正規化される。結局のところ、トレーニングされたモデルのいずれかを推論に利用できます。
論文参考訳（メタデータ） (2021-04-17T22:49:12Z)
Tackling Instance-Dependent Label Noise via a Universal Probabilistic Model [80.91927573604438]
本稿では,ノイズラベルをインスタンスに明示的に関連付ける,単純かつ普遍的な確率モデルを提案する。合成および実世界のラベルノイズを用いたデータセット実験により,提案手法がロバスト性に大きな改善をもたらすことを確認した。
論文参考訳（メタデータ） (2021-01-14T05:43:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。