論文の概要: Improving Resistance to Noisy Label Fitting by Reweighting Gradient in SAM

• arxiv url: http://arxiv.org/abs/2411.17132v1
• Date: Tue, 26 Nov 2024 05:54:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:34:15.548882
• Title: Improving Resistance to Noisy Label Fitting by Reweighting Gradient in SAM
• Title（参考訳）: SAMの重み付けによるノイズラベルフィッティングの耐用性向上
• Authors: Hoang-Chau Luong, Thuc Nguyen-Quang, Minh-Triet Tran,
• Abstract要約: ノイズラベルは機械学習において重大な課題となり、しばしば過度に適合し、一般化が不十分になる。 SANER (Sharpness-Aware Noise-Explicit Reweighting) を提案する。 CIFAR-10, CIFAR-100, Mini-WebVision を用いた実験により, SANER は SAM を一貫して上回り, CIFAR-100 では 50% のラベルノイズで 8% の増加を達成できた。
• 参考スコア（独自算出の注目度）: 6.153855473932398
• License:
• Abstract: Noisy labels pose a substantial challenge in machine learning, often resulting in overfitting and poor generalization. Sharpness-Aware Minimization (SAM), as demonstrated in Foret et al. (2021), improves generalization over traditional Stochastic Gradient Descent (SGD) in classification tasks with noisy labels by implicitly slowing noisy learning. While SAM's ability to generalize in noisy environments has been studied in several simplified settings, its full potential in more realistic training settings remains underexplored. In this work, we analyze SAM's behavior at each iteration, identifying specific components of the gradient vector that contribute significantly to its robustness against noisy labels. Based on these insights, we propose SANER (Sharpness-Aware Noise-Explicit Reweighting), an effective variant that enhances SAM's ability to manage noisy fitting rate. Our experiments on CIFAR-10, CIFAR-100, and Mini-WebVision demonstrate that SANER consistently outperforms SAM, achieving up to an 8% increase on CIFAR-100 with 50% label noise.
• Abstract（参考訳）: ノイズラベルは機械学習において重大な課題となり、しばしば過度に適合し、一般化が不十分になる。 Sharpness-Aware Minimization (SAM) は、Foret et al (2021) で示されているように、ノイズのあるラベルを持つ分類タスクにおいて、暗黙的にノイズの多い学習を遅くすることで、従来のSGD(Stochastic Gradient Descent)の一般化を改善する。 SAMのノイズの多い環境での一般化能力は、いくつかの単純化された設定で研究されているが、より現実的なトレーニング設定におけるその大きな可能性はまだ探索されていない。 本研究では,各繰り返しにおけるSAMの挙動を解析し,雑音ラベルに対する頑健性に大きく寄与する勾配ベクトルの特定の成分を同定する。 これらの知見に基づき,SANER (Sharpness-Aware Noise-Explicit Reweighting) を提案する。 CIFAR-10, CIFAR-100, Mini-WebVision を用いた実験により, SANER は SAM を一貫して上回り, CIFAR-100 では 50% のラベルノイズで 8% の増加を達成できた。

関連論文リスト

• Friendly Sharpness-Aware Minimization [62.57515991835801]
  シャープネス・アウェアの最小化(SAM)は、トレーニング損失とロスシャープネスの両方を最小化することにより、ディープニューラルネットワークトレーニングの改善に役立っている。 対向性摂動におけるバッチ特異的勾配雑音の主な役割,すなわち現在のミニバッチ勾配について検討する。 逆勾配雑音成分を分解することにより、全勾配のみに依存すると一般化が低下し、除くと性能が向上することがわかった。
  論文  参考訳（メタデータ） (2024-03-19T01:39:33Z)
• Stabilizing Sharpness-aware Minimization Through A Simple Renormalization Strategy [12.050160495730381]
  SAM ( sharpness-aware generalization) は性能向上に驚くべき効果があることから注目されている。 本稿では, 安定SAM (SSAM) と呼ばれる単純な再正規化戦略を提案する。 我々の戦略は実装が容易で、SAMとその変種と統合するのに十分な柔軟性があり、ほとんど計算コストがかからない。
  論文  参考訳（メタデータ） (2024-01-14T10:53:36Z)
• Stable Segment Anything Model [79.9005670886038]
  SAM(Segment Anything Model)は、高品質なプロンプトが与えられた場合、顕著に迅速なセグメンテーションを実現する。 本稿では,SAMのセグメンテーション安定性について,多様なプロンプト特性のスペクトルにわたって包括的解析を行った。 1)SAMのセグメンテーション安定性を広範囲に改善し,2)SAMの強力なセグメンテーション効率と一般化を維持した。
  論文  参考訳（メタデータ） (2023-11-27T12:51:42Z)
• Enhancing Sharpness-Aware Optimization Through Variance Suppression [48.908966673827734]
  この研究は損失関数の幾何学を取り入れ、そこでは「平坦なミニマ」の近傍が一般化能力を高める。 地区内の敵対的な摂動パラメータによる最大損失を最小化することで「平坦な谷」を求める。 損失関数のシャープさを考慮に入れることが重要であるが、そのような「過剰にフレンドリーな敵」は極端に一般化のレベルを縮めることができる。
  論文  参考訳（メタデータ） (2023-09-27T13:18:23Z)
• Meta Self-Refinement for Robust Learning with Weak Supervision [29.80743717767389]
  弱い監視からラベルノイズに対処するメタ自己精製(MSR)を提案する。 MSRは全ての設定においてラベルノイズに対して堅牢であり、最先端の手法を最大11.4%、F1スコアで9.26%上回っている。
  論文  参考訳（メタデータ） (2022-05-15T14:04:30Z)
• Reliable Label Correction is a Good Booster When Learning with Extremely Noisy Labels [65.79898033530408]
  極音下での学習に明示的に取り組むために,LC-Boosterと呼ばれる新しい枠組みを導入する。 LC-Boosterは、ラベル補正をサンプル選択に組み込むことで、信頼性の高いラベル修正を通じて、より精製されたサンプルをトレーニングに利用することができる。 実験により、LC-Boosterはいくつかのノイズラベルベンチマークで最先端の結果を前進させることが示された。
  論文  参考訳（メタデータ） (2022-04-30T07:19:03Z)
• Investigating Why Contrastive Learning Benefits Robustness Against Label Noise [6.855361451300868]
  自己教師付きコントラスト学習は、ディープネットワークがノイズラベルを過度に適合させるのを防ぐのに非常に効果的であることが示されている。 コントラスト学習によって学習された表現行列が頑健性を高めることを厳密に証明する。
  論文  参考訳（メタデータ） (2022-01-29T05:19:26Z)
• 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)
• Efficient Sharpness-aware Minimization for Improved Training of Neural Networks [146.2011175973769]
  本稿では,SAM s の効率を高コストで向上する高効率シャープネス認識最小化器 (M) を提案する。 Mには、Stochastic Weight PerturbationとSharpness-Sensitive Data Selectionという、2つの新しい効果的なトレーニング戦略が含まれている。 我々は、CIFARとImageNetデータセットの広範な実験を通して、ESAMはSAMよりも100%余分な計算を40%のvis-a-visベースに必要とせずに効率を向上させることを示した。
  論文  参考訳（メタデータ） (2021-10-07T02:20:37Z)

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。