論文の概要: A Unified Framework for Connecting Noise Modeling to Boost Noise Detection

• arxiv url: http://arxiv.org/abs/2312.00827v1
• Date: Thu, 30 Nov 2023 19:24:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-05 20:37:18.465486
• Title: A Unified Framework for Connecting Noise Modeling to Boost Noise Detection
• Title（参考訳）: 騒音のモデリングと騒音検出の強化のための一元化フレームワーク
• Authors: Siqi Wang, Chau Pham, Bryan A. Plummer
• Abstract要約: ノイズラベルはモデルパフォーマンスを損なう可能性がある。 従来の2つの手法はノイズモデリングとノイズ検出である。 本稿では,ノイズモデリング,情報源の同定,ノイズ検出の強化という,3つの重要なブロックを持つ相互接続構造を提案する。
• 参考スコア（独自算出の注目度）: 23.366524390302608
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Noisy labels can impair model performance, making the study of learning with noisy labels an important topic. Two conventional approaches are noise modeling and noise detection. However, these two methods are typically studied independently, and there has been limited work on their collaboration. In this work, we explore the integration of these two approaches, proposing an interconnected structure with three crucial blocks: noise modeling, source knowledge identification, and enhanced noise detection using noise source-knowledge-integration methods. This collaboration structure offers advantages such as discriminating hard negatives and preserving genuinely clean labels that might be suspiciously noisy. Our experiments on four datasets, featuring three types of noise and different combinations of each block, demonstrate the efficacy of these components' collaboration. Our collaborative structure methods achieve up to a 10% increase in top-1 classification accuracy in synthesized noise datasets and 3-5% in real-world noisy datasets. The results also suggest that these components make distinct contributions to overall performance across various noise scenarios. These findings provide valuable insights for designing noisy label learning methods customized for specific noise scenarios in the future. Our code is accessible to the public.
• Abstract（参考訳）: ノイズラベルはモデル性能を損なう可能性があるため、ノイズラベルを用いた学習の研究が重要なトピックとなる。 従来の2つのアプローチはノイズモデリングとノイズ検出である。 しかし、これらの2つの方法は一般的に独立して研究されており、コラボレーションに関する作業は限られている。 本研究では,これら2つの手法の統合について検討し,ノイズモデリング,ソース知識同定,ノイズソース知識統合手法を用いたノイズ検出の強化という3つの重要なブロックによる相互接続構造を提案する。 このコラボレーション構造は、ハードネガティブの識別や、疑わしいうる真にクリーンなラベルの保存といった利点を提供する。 3種類のノイズと各ブロックの異なる組み合わせを特徴とする4つのデータセットの実験を行い、これらのコンポーネントの協調の有効性を実証した。 我々の協調構造法は、合成ノイズデータセットにおけるトップ1分類精度が10%向上し、実世界のノイズデータセットでは3.5%向上する。 また, これらのコンポーネントは, 様々なノイズシナリオにおいて, 全体的な性能に異なる貢献をすることが示唆された。 これらの知見は,将来,特定の騒音シナリオ用にカスタマイズされた雑音ラベル学習手法の設計に有用である。 私たちのコードは一般公開されている。

関連論文リスト

• NoisyAG-News: A Benchmark for Addressing Instance-Dependent Noise in Text Classification [7.464154519547575]
  ノイズラベルを用いた学習に関する既存の研究は、主に合成ノイズパターンに焦点を当てている。 実世界のテキスト分類設定においてラベルノイズをよりよく理解するためのベンチマークデータセットを構築した。 以上の結果から,事前学習モデルでは合成ノイズに耐性があるものの,インスタンス依存ノイズには耐え難いことが判明した。
  論文  参考訳（メタデータ） (2024-07-09T06:18:40Z)
• Unlocking the Power of Open Set : A New Perspective for Open-Set Noisy Label Learning [58.4201336276109]
  両タイプのラベルノイズに対処する2段階のコントラスト学習手法を提案する。 具体的には、性能を高めるために、いくつかのオープンセットの例をクローズドセットのクラスに組み込む。
  論文  参考訳（メタデータ） (2023-05-07T06:55:28Z)
• Sources of Noise in Dialogue and How to Deal with Them [63.02707014103651]
  トレーニング対話システムは、ノイズの多いトレーニング例や予期しないユーザ入力を扱うことが多い。 その頻度にもかかわらず、現在、対話ノイズの正確な調査が欠けている。 本稿では,対話システムで発生する雑音の分類を初めて構築することによって,このギャップを解消する。
  論文  参考訳（メタデータ） (2022-12-06T04:36:32Z)
• Noise-Tolerant Learning for Audio-Visual Action Recognition [31.641972732424463]
  ビデオデータセットは通常、粗い注釈付きまたはインターネットから収集される。 本稿では,雑音ラベルと雑音対応の両方に対して,反干渉モデルパラメータを求めるための耐雑音性学習フレームワークを提案する。 本手法は,動作認識モデルのロバスト性を大幅に向上し,ベースラインをクリアマージンで越える。
  論文  参考訳（メタデータ） (2022-05-16T12:14:03Z)
• Label noise detection under the Noise at Random model with ensemble filters [5.994719700262245]
  本研究では、2つの異なる雑音モデルの下でのアンサンブルノイズ検出の性能について検討する。 データセットで観測される全雑音レベルが変化するため,クラス分布がノイズ検出性能に及ぼす影響について検討する。
  論文  参考訳（メタデータ） (2021-12-02T21:49:41Z)
• Learning with Noisy Labels Revisited: A Study Using Real-World Human Annotations [54.400167806154535]
  ノイズラベルを用いた学習に関する既存の研究は、主に合成ラベルノイズに焦点を当てている。 本研究は2つの新しいベンチマークデータセット(CIFAR-10N, CIFAR-100N)を示す。 実世界のノイズラベルは古典的に採用されたクラス依存のラベルではなく、インスタンス依存のパターンに従うことを示す。
  論文  参考訳（メタデータ） (2021-10-22T22:42:11Z)
• Training Classifiers that are Universally Robust to All Label Noise Levels [91.13870793906968]
  ディープニューラルネットワークは、ラベルノイズの存在下で過度に適合する傾向がある。 ポジティヴ・アンラベルラーニングの新たなサブカテゴリを取り入れた蒸留ベースのフレームワークを提案する。 我々の枠組みは概して中～高騒音レベルにおいて優れています。
  論文  参考訳（メタデータ） (2021-05-27T13:49:31Z)
• Learning with Group Noise [106.56780716961732]
  グループノイズを用いた学習のための新しいマックスマッチング手法を提案する。 いくつかの学習パラダイムの領域における実世界のデータセットのレンジのパフォーマンスは、Max-Matchingの有効性を示している。
  論文  参考訳（メタデータ） (2021-03-17T06:57:10Z)
• Audio Tagging by Cross Filtering Noisy Labels [26.14064793686316]
  そこで我々はCrossFilterという新しいフレームワークを提案し,音声タグ付けにおけるノイズラベル問題に対処する。 提案手法は最先端の性能を達成し,アンサンブルモデルを超えている。
  論文  参考訳（メタデータ） (2020-07-16T07:55:04Z)
• Towards Noise-resistant Object Detection with Noisy Annotations [119.63458519946691]
  ディープオブジェクト検出器の訓練には、正確なオブジェクトラベルとバウンディングボックス座標を持つ、相当量の人間の注釈画像が必要である。 ノイズの多いアノテーションはずっと簡単にアクセスできますが、学習には有害かもしれません。 ノイズにはラベルノイズとバウンディングボックスノイズが混在している。
  論文  参考訳（メタデータ） (2020-03-03T01:32:16Z)

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。