論文の概要: Extended T: Learning with Mixed Closed-set and Open-set Noisy Labels

• arxiv url: http://arxiv.org/abs/2012.00932v1
• Date: Wed, 2 Dec 2020 02:42:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 03:53:46.866418
• Title: Extended T: Learning with Mixed Closed-set and Open-set Noisy Labels
• Title（参考訳）: Extended T: クローズドセットとオープンセットノイズラベルを併用した学習
• Authors: Xiaobo Xia, Tongliang Liu, Bo Han, Nannan Wang, Jiankang Deng, Jiatong Li, Yinian Mao
• Abstract要約: ラベルノイズ遷移行列$T$は、真のラベルがノイズのあるものへと反転する確率を反映する。 本稿では,閉集合と開集合の混在したラベル雑音下での学習に着目した。 本手法は,従来の最先端のラベル雑音学習法よりも頑健な性能を追求し,混合ラベル雑音をモデル化する。
• 参考スコア（独自算出の注目度）: 86.5943044285146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The label noise transition matrix $T$, reflecting the probabilities that true labels flip into noisy ones, is of vital importance to model label noise and design statistically consistent classifiers. The traditional transition matrix is limited to model closed-set label noise, where noisy training data has true class labels within the noisy label set. It is unfitted to employ such a transition matrix to model open-set label noise, where some true class labels are outside the noisy label set. Thus when considering a more realistic situation, i.e., both closed-set and open-set label noise occurs, existing methods will undesirably give biased solutions. Besides, the traditional transition matrix is limited to model instance-independent label noise, which may not perform well in practice. In this paper, we focus on learning under the mixed closed-set and open-set label noise. We address the aforementioned issues by extending the traditional transition matrix to be able to model mixed label noise, and further to the cluster-dependent transition matrix to better approximate the instance-dependent label noise in real-world applications. We term the proposed transition matrix as the cluster-dependent extended transition matrix. An unbiased estimator (i.e., extended $T$-estimator) has been designed to estimate the cluster-dependent extended transition matrix by only exploiting the noisy data. Comprehensive synthetic and real experiments validate that our method can better model the mixed label noise, following its more robust performance than the prior state-of-the-art label-noise learning methods.
• Abstract（参考訳）: ラベルノイズ遷移行列$t$は、真のラベルがノイズになる確率を反映したもので、モデルラベルノイズと統計的に一貫性のある分類器の設計にとって極めて重要である。 従来の遷移行列はクローズドセットラベルノイズに制限されており、ノイズトレーニングデータはノイズラベルセット内に真のクラスラベルを持つ。 このような遷移行列を用いてオープンセットラベルノイズをモデル化するのは不適当であり、真のクラスラベルはノイズラベルセットの外にある。 したがって、より現実的な状況、すなわちクローズド・セットとオープン・セット・ラベルのノイズが発生した場合、既存の手法は望ましくない偏りのある解を与える。 さらに、従来の遷移行列はモデルインスタンスに依存しないラベルノイズに限られており、実際にはうまく機能しない可能性がある。 本稿では,閉集合と開集合の混合ラベル雑音下での学習に着目した。 従来の遷移行列を混合ラベルノイズをモデル化できるように拡張し、さらにクラスタ依存遷移行列に拡張し、実世界のアプリケーションにおけるインスタンス依存ラベルノイズをよりよく近似する。 提案した遷移行列をクラスタ依存拡張遷移行列と呼ぶ。 非バイアス推定器(すなわち拡張$T$-estimator)は、ノイズデータのみを利用してクラスタ依存の拡張遷移行列を推定するように設計されている。 総合的な合成実験および実実験により,従来のラベルノイズ学習法よりもロバストな性能に追従し,混合ラベルノイズをモデル化できることが検証された。

関連論文リスト

• Extracting Clean and Balanced Subset for Noisy Long-tailed Classification [66.47809135771698]
  そこで我々は,分布マッチングの観点から,クラスプロトタイプを用いた新しい擬似ラベリング手法を開発した。 手動で特定の確率尺度を設定することで、ノイズと長い尾を持つデータの副作用を同時に減らすことができる。 本手法は, クリーンなラベル付きクラスバランスサブセットを抽出し, ラベルノイズ付きロングテール分類において, 効果的な性能向上を実現する。
  論文  参考訳（メタデータ） (2024-04-10T07:34:37Z)
• Multi-Label Noise Transition Matrix Estimation with Label Correlations: Theory and Algorithm [73.94839250910977]
  ノイズの多いマルチラベル学習は、大規模な正確なラベルの収集によって生じる課題により、注目を集めている。 遷移行列の導入は、マルチラベルノイズをモデル化し、統計的に一貫したアルゴリズムの開発に役立つ。 そこで本稿では, アンカーポイントを必要とせずに, ラベル相関を利用した新しい推定器を提案する。
  論文  参考訳（メタデータ） (2023-09-22T08:35:38Z)
• Rethinking the Value of Labels for Instance-Dependent Label Noise Learning [43.481591776038144]
  実世界のアプリケーションにおけるノイズの多いラベルは、しばしば真のラベルと機能の両方に依存します。 本研究では、ノイズ遷移行列を明示的にモデル化しない新しい深層生成モデルを用いて、インスタンス依存ラベルノイズに対処する。 提案アルゴリズムは,カジュアルな表現学習を活用し,データから高レベルのコンテンツとスタイルの潜伏要素を同時に識別する。
  論文  参考訳（メタデータ） (2023-05-10T15:29:07Z)
• A Realistic Simulation Framework for Learning with Label Noise [17.14439597393087]
  この枠組みは, ラベルノイズの重要な特徴を示す合成ノイズラベルを生成する。 また、ノイズの多いラベルで学習するための既存のアルゴリズムをベンチマークします。 本稿では、アノテータ機能を利用して雑音ラベルの予測と修正を行う新しい手法であるラベル品質モデル(LQM)を提案する。
  論文  参考訳（メタデータ） (2021-07-23T18:53:53Z)
• Rethinking Noisy Label Models: Labeler-Dependent Noise with Adversarial Awareness [2.1930130356902207]
  本稿では,複数のラベルに対してインスタンス依存ノイズを一般化するラベルノイズの原理モデルを提案する。 ラベラーに依存したモデルでは、ラベルノイズは善良なラベルの自然な誤りと悪質なアクターによって提供される敵対的なラベルの2つのモードの下に現れます。 実世界の環境で発生する可能性のあるラベルノイズをより正確に反映する2つの逆攻撃ベクトルを提案する。
  論文  参考訳（メタデータ） (2021-05-28T19:58:18Z)
• Learning Noise Transition Matrix from Only Noisy Labels via Total Variation Regularization [88.91872713134342]
  本稿では,雑音遷移行列を推定し,同時に分類器を学習する理論的基礎付け手法を提案する。 提案手法の有効性を,ベンチマークおよび実世界のデータセットを用いた実験により示す。
  論文  参考訳（メタデータ） (2021-02-04T05:09:18Z)
• Meta Transition Adaptation for Robust Deep Learning with Noisy Labels [61.8970957519509]
  本研究では,新しいメタ遷移学習戦略を提案する。 具体的には、クリーンなラベル付きメタデータの小さなセットのサウンドガイダンスにより、ノイズ遷移行列と分類器パラメータを相互に改善することができる。 本手法は, 従来技術よりも頑健な性能で, 遷移行列をより正確に抽出することができる。
  論文  参考訳（メタデータ） (2020-06-10T07:27:25Z)
• Multi-Class Classification from Noisy-Similarity-Labeled Data [98.13491369929798]
  雑音に類似したラベル付きデータのみから学習する方法を提案する。 ノイズ遷移行列を用いて、クリーンデータとノイズデータの間にクラス後確率をブリッジする。 雑音のないクラスラベルをインスタンスに割り当てる新しい学習システムを構築した。
  論文  参考訳（メタデータ） (2020-02-16T05:10:21Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。