論文の概要: Best Transition Matrix Esitimation or Best Label Noise Robustness Classifier? Two Possible Methods to Enhance the Performance of T-revision
- arxiv url: http://arxiv.org/abs/2501.01402v1
- Date: Thu, 02 Jan 2025 18:27:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-05 17:12:49.667148
- Title: Best Transition Matrix Esitimation or Best Label Noise Robustness Classifier? Two Possible Methods to Enhance the Performance of T-revision
- Title(参考訳): ベスト遷移行列推定法とベストラベルノイズロバストネス分類法 : T-リビジョンの性能向上のための2つの可能性
- Authors: Haixu Liu, Zerui Tao, Naihui Zhang, Sixing Liu,
- Abstract要約: ラベルノイズ(英: Label noise)とは、人間のエラーやコレクションの欠陥に起因するデータセットの不正なラベルを指す。
本稿では,雑音遷移行列を推定し,ラベル雑音に対して頑健なディープラーニング分類器を構築する方法について検討する。
- 参考スコア(独自算出の注目度): 1.53744306569115
- License:
- Abstract: Label noise refers to incorrect labels in a dataset caused by human errors or collection defects, which is common in real-world applications and can significantly reduce the accuracy of models. This report explores how to estimate noise transition matrices and construct deep learning classifiers that are robust against label noise. In cases where the transition matrix is known, we apply forward correction and importance reweighting methods to correct the impact of label noise using the transition matrix. When the transition matrix is unknown or inaccurate, we use the anchor point assumption and T-Revision series methods to estimate or correct the noise matrix. In this study, we further improved the T-Revision method by developing T-Revision-Alpha and T-Revision-Softmax to enhance stability and robustness. Additionally, we designed and implemented two baseline classifiers, a Multi-Layer Perceptron (MLP) and ResNet-18, based on the cross-entropy loss function. We compared the performance of these methods on predicting clean labels and estimating transition matrices using the FashionMINIST dataset with known noise transition matrices. For the CIFAR-10 dataset, where the noise transition matrix is unknown, we estimated the noise matrix and evaluated the ability of the methods to predict clean labels.
- Abstract(参考訳): ラベルノイズ(英: Label noise)とは、人間のエラーやコレクションの欠陥に起因するデータセットの不正なラベルを指し、これは現実世界のアプリケーションで一般的であり、モデルの精度を大幅に低下させる。
本稿では,雑音遷移行列を推定し,ラベル雑音に対して頑健なディープラーニング分類器を構築する方法について検討する。
遷移行列が知られている場合、遷移行列を用いてラベルノイズの影響を補正するために前方補正と重み付け手法を適用する。
遷移行列が未知あるいは不正確な場合、雑音行列を推定または補正するためにアンカー点仮定とT-リビジョン系列法を用いる。
本研究では,T-Revision-AlphaとT-Revision-Softmaxを開発し,安定性と堅牢性を高めることにより,T-Revision法をさらに改良する。
さらに,クロスエントロピー損失関数に基づいて,MLP(Multi-Layer Perceptron)とResNet-18の2つのベースライン分類器を設計,実装した。
ノイズ遷移行列を用いたFashionMINISTデータセットを用いて,クリーンラベルの予測と遷移行列の推定において,これらの手法の性能を比較した。
ノイズ遷移行列が未知のCIFAR-10データセットについて,ノイズ遷移行列を推定し,クリーンラベル予測手法の有効性を評価した。
関連論文リスト
- Dirichlet-based Per-Sample Weighting by Transition Matrix for Noisy
Label Learning [18.688802981093644]
本稿では,再サンプリングに基づく新しい利用法 RENT を提案する。
Rentは、さまざまなベンチマークデータセット上で、再重み付けを含む既存の遷移行列利用法を一貫して上回る。
論文 参考訳(メタデータ) (2024-03-05T06:20:49Z) - 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) - 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) - Provably End-to-end Label-Noise Learning without Anchor Points [118.97592870124937]
本稿では,アンカーポイントを使わずにラベルノイズ学習を実現するためのエンドツーエンドフレームワークを提案する。
提案フレームワークでは,クリーンなクラス後確率が十分に分散している場合,遷移行列を同定できる。
論文 参考訳(メタデータ) (2021-02-04T03:59:37Z) - 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) - Dual T: Reducing Estimation Error for Transition Matrix in Label-noise
Learning [157.2709657207203]
遷移行列を推定する既存の方法は、ノイズのあるクラス後部を推定することに大きく依存している。
雑音のクラス後部を直接推定するのを避けるために中間クラスを導入する。
この中間クラスにより、元の遷移行列は2つの容易に推定できる遷移行列の積に分解できる。
論文 参考訳(メタデータ) (2020-06-14T05:48:20Z) - 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。