論文の概要: Noisy Label Classification using Label Noise Selection with Test-Time
Augmentation Cross-Entropy and NoiseMix Learning
- arxiv url: http://arxiv.org/abs/2212.00479v1
- Date: Thu, 1 Dec 2022 13:05:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 16:23:29.580741
- Title: Noisy Label Classification using Label Noise Selection with Test-Time
Augmentation Cross-Entropy and NoiseMix Learning
- Title(参考訳): テスト時間拡張クロスエントロピーとノイズミクス学習を用いたラベル雑音選択を用いた雑音ラベル分類
- Authors: Hansang Lee, Haeil Lee, Helen Hong, and Junmo Kim
- Abstract要約: 本論文では,テスト時間拡張(TTA)クロスエントロピーを用いたラベルノイズ選択とNossMix法による分類器学習を用いたノイズラベルデータの学習手法を提案する。
ISIC-18公開皮膚病変診断データセットの実験において、提案したTTAクロスエントロピーは、ラベルノイズデータの検出において従来のクロスエントロピーとTTAの不確実性よりも優れていた。
- 参考スコア(独自算出の注目度): 21.329960112839995
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As the size of the dataset used in deep learning tasks increases, the noisy
label problem, which is a task of making deep learning robust to the
incorrectly labeled data, has become an important task. In this paper, we
propose a method of learning noisy label data using the label noise selection
with test-time augmentation (TTA) cross-entropy and classifier learning with
the NoiseMix method. In the label noise selection, we propose TTA cross-entropy
by measuring the cross-entropy to predict the test-time augmented training
data. In the classifier learning, we propose the NoiseMix method based on MixUp
and BalancedMix methods by mixing the samples from the noisy and the clean
label data. In experiments on the ISIC-18 public skin lesion diagnosis dataset,
the proposed TTA cross-entropy outperformed the conventional cross-entropy and
the TTA uncertainty in detecting label noise data in the label noise selection
process. Moreover, the proposed NoiseMix not only outperformed the
state-of-the-art methods in the classification performance but also showed the
most robustness to the label noise in the classifier learning.
- Abstract(参考訳): ディープラーニングタスクで使用されるデータセットのサイズが大きくなるにつれて、深層学習を誤ったラベル付きデータに堅牢にするタスクであるノイズラベル問題は重要な課題となっている。
本稿では,tta(test-time augmentation)クロスエントロピーを用いたラベル雑音選択と雑音混合法による分類学習を用いた雑音ラベルデータの学習手法を提案する。
ラベルノイズ選択において、テスト時間拡張トレーニングデータを予測するために、クロスエントロピーを測定してTTAクロスエントロピーを提案する。
分類器学習では,ノイズデータとクリーンラベルデータからサンプルを混合することにより,MixUp と BalancedMix の手法に基づくノイズミクス法を提案する。
ISIC-18公開皮膚病変診断データセットの実験において,提案したTTAクロスエントロピーは,ラベルノイズ選択過程におけるラベルノイズデータの検出において,従来のクロスエントロピーとTTA不確実性を上回った。
さらに,提案手法は分類性能に優れるだけでなく,分類器学習においてラベル雑音に対して最も頑健性を示した。
関連論文リスト
- 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) - Co-Learning Meets Stitch-Up for Noisy Multi-label Visual Recognition [70.00984078351927]
本稿では,多ラベル分類と長期学習の特徴に基づく雑音の低減に焦点をあてる。
よりクリーンなサンプルを合成し,マルチラベルノイズを直接低減するStitch-Up拡張を提案する。
ヘテロジニアス・コラーニング・フレームワークは、長い尾の分布とバランスの取れた分布の不整合を活用するためにさらに設計されている。
論文 参考訳(メタデータ) (2023-07-03T09:20:28Z) - Noisy-label Learning with Sample Selection based on Noise Rate Estimate [30.922188228545906]
ノイズラベルは、ノイズラベルのトレーニングサンプルをオーバーフィットさせるディープモデルの容量が高いため、ディープラーニングでは困難である。
本稿では,最新技術(SOTA)に適応可能な新しい雑音ラベル学習グラフィカルモデルを提案する。
論文 参考訳(メタデータ) (2023-05-31T01:46:14Z) - Learning from Training Dynamics: Identifying Mislabeled Data Beyond
Manually Designed Features [43.41573458276422]
LSTMネットワークを例として,ノイズ検出を応用した新しい学習ベースソリューションを提案する。
提案手法は、合成ラベル雑音を用いたデータセットを用いて、教師あり方式でノイズ検出器を訓練する。
提案手法は, 各種データセットの誤ラベルサンプルを, さらなる適応を伴わずに, 精度良く検出できることが示唆された。
論文 参考訳(メタデータ) (2022-12-19T09:39:30Z) - Learning from Noisy Labels with Coarse-to-Fine Sample Credibility
Modeling [22.62790706276081]
ノイズの多いラベルでディープニューラルネットワーク(DNN)を訓練することは事実上難しい。
従来の取り組みでは、統合されたデノナイジングフローで部分データや完全なデータを扱う傾向があります。
本研究では,ノイズの多いデータを分割・分散的に処理するために,CREMAと呼ばれる粗大な頑健な学習手法を提案する。
論文 参考訳(メタデータ) (2022-08-23T02:06:38Z) - Neighborhood Collective Estimation for Noisy Label Identification and
Correction [92.20697827784426]
ノイズラベルを用いた学習(LNL)は,ノイズラベルに対するモデルオーバーフィットの効果を軽減し,モデル性能と一般化を改善するための戦略を設計することを目的としている。
近年の進歩は、個々のサンプルのラベル分布を予測し、ノイズ検証とノイズラベル補正を行い、容易に確認バイアスを生じさせる。
提案手法では, 候補サンプルの予測信頼性を, 特徴空間近傍と対比することにより再推定する。
論文 参考訳(メタデータ) (2022-08-05T14:47:22Z) - Robust Meta-learning with Sampling Noise and Label Noise via
Eigen-Reptile [78.1212767880785]
Meta-learnerは、利用可能なサンプルがわずかしかないため、過度に適合する傾向がある。
ノイズの多いラベルでデータを扱う場合、メタラーナーはラベルノイズに対して非常に敏感になる可能性がある。
本稿では,タスク固有のパラメータの主要な方向でメタパラメータを更新するEigen-Reptile(ER)を提案する。
論文 参考訳(メタデータ) (2022-06-04T08:48:02Z) - UNICON: Combating Label Noise Through Uniform Selection and Contrastive
Learning [89.56465237941013]
UNICONは,高ラベル雑音に対して頑健な,シンプルで効果的なサンプル選択法である。
90%のノイズレートでCIFAR100データセットの最先端データよりも11.4%改善した。
論文 参考訳(メタデータ) (2022-03-28T07:36:36Z) - S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
本稿では,ラベルノイズの存在下での分類の問題に対処する。
提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。
提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
論文 参考訳(メタデータ) (2021-11-22T15:49:20Z) - Towards Robustness to Label Noise in Text Classification via Noise
Modeling [7.863638253070439]
NLPの大規模なデータセットは、誤った自動および人間のアノテーション手順のために、ノイズの多いラベルに悩まされる。
本稿では,ラベルノイズを用いたテキスト分類の問題について検討し,分類器上での補助雑音モデルを用いてこのノイズを捉えることを目的とする。
論文 参考訳(メタデータ) (2021-01-27T05:41:57Z) - Multi-Objective Interpolation Training for Robustness to Label Noise [17.264550056296915]
標準教師付きコントラスト学習はラベル雑音の存在下で劣化することを示す。
コントラスト学習により学習したロバストな特徴表現を利用する新しいラベルノイズ検出手法を提案する。
合成および実世界のノイズベンチマークの実験は、MOIT/MOIT+が最先端の結果を得ることを示した。
論文 参考訳(メタデータ) (2020-12-08T15:01:54Z)
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。