論文の概要: Identifiability of Label Noise Transition Matrix

• arxiv url: http://arxiv.org/abs/2202.02016v1
• Date: Fri, 4 Feb 2022 08:29:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-07 14:34:37.604273
• Title: Identifiability of Label Noise Transition Matrix
• Title（参考訳）: ラベル雑音遷移行列の識別性
• Authors: Yang Liu
• Abstract要約: 基底の真理ラベルを使わずに雑音遷移行列を推定することは、重要かつ困難な課題である。 最近の研究は、インスタンス依存のノイズラベルから学習するためのソリューションを提案しているが、そのような問題がいつ特定可能かという統一的な理解は欠如している。
• 参考スコア（独自算出の注目度）: 6.2646642083846436
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The noise transition matrix plays a central role in the problem of learning from noisy labels. Among many other reasons, a significant number of existing solutions rely on access to it. Estimating the transition matrix without using ground truth labels is a critical and challenging task. When label noise transition depends on each instance, the problem of identifying the instance-dependent noise transition matrix becomes substantially more challenging. Despite recent works proposing solutions for learning from instance-dependent noisy labels, we lack a unified understanding of when such a problem remains identifiable, and therefore learnable. This paper seeks to provide answers to a sequence of related questions: What are the primary factors that contribute to the identifiability of a noise transition matrix? Can we explain the observed empirical successes? When a problem is not identifiable, what can we do to make it so? We will relate our theoretical findings to the literature and hope to provide guidelines for developing effective solutions for battling instance-dependent label noise.
• Abstract（参考訳）: 雑音遷移行列は雑音ラベルから学習する問題において中心的な役割を果たす。 他にも多くの理由があるが、既存のソリューションの多くはそれへのアクセスに依存している。 基底の真理ラベルを使わずに遷移行列を推定することは、重要かつ困難な課題である。 ラベルノイズ遷移が各インスタンスに依存する場合、インスタンス依存のノイズ遷移行列を識別する問題は大幅に困難になる。 インスタンス依存のノイズラベルから学習するためのソリューションを提案する最近の研究にもかかわらず、我々はそのような問題がいつ識別可能であり、それゆえ学習可能かの統一的な理解を欠いている。 本稿では,ノイズ遷移行列の識別可能性に寄与する主要な要因について述べる。 観察された経験的成功について説明できますか。 問題が特定できない場合、それを実現するために何ができるでしょうか? 本論の知見を文献に関連付けるとともに,実例依存ラベルノイズに対処するための効果的なソリューション開発のためのガイドラインの提供を期待する。

関連論文リスト

• 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)
• Instance-dependent Label-noise Learning under a Structural Causal Model [92.76400590283448]
  ラベルノイズはディープラーニングアルゴリズムの性能を劣化させる。 構造因果モデルを活用することにより,実例依存型ラベルノイズ学習のための新しい生成手法を提案する。
  論文  参考訳（メタデータ） (2021-09-07T10:42:54Z)
• Can Less be More? When Increasing-to-Balancing Label Noise Rates Considered Beneficial [7.299247713124782]
  特定のインスタンスのラベルノイズ率を増大させることによって導入されたトレードオフを定量化する。 本稿では,雑音ラベルを用いた学習にラベルノイズを挿入する手法を提案する。
  論文  参考訳（メタデータ） (2021-07-13T08:31:57Z)
• A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
  ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。 人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
  論文  参考訳（メタデータ） (2020-12-22T06:36:58Z)
• Extended T: Learning with Mixed Closed-set and Open-set Noisy Labels [86.5943044285146]
  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。
  論文  参考訳（メタデータ） (2020-12-02T02:42:45Z)
• Part-dependent Label Noise: Towards Instance-dependent Label Noise [194.73829226122731]
  このような現実的なノイズをモデル化することは困難であるため,テキスト依存性のラベルノイズによる学習は困難である。 本稿では,テキスト単位のラベルノイズを利用して,インスタンス依存のラベルノイズを近似する。 合成および実世界のデータセットに関する実証的な評価は、我々の手法が最先端のアプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2020-06-14T08:12:10Z)
• 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)

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。