論文の概要: Noise-Aware Framework for Correcting Corrupted Labels

• arxiv url: http://arxiv.org/abs/2606.11695v1
• Date: Wed, 10 Jun 2026 06:17:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.322064
• Title: Noise-Aware Framework for Correcting Corrupted Labels
• Title（参考訳）: 故障ラベルの訂正のための騒音認識フレームワーク
• Authors: Ha-Linh Nguyen, Hong-Anh Nguyen, Minh-Duc La, Phong Lam, Thu-Trang Nguyen, Son Nguyen, Hieu Dinh Vo,
• Abstract要約: CANOLAは、ノイズ認識学習と反復ラベルリファインメントにより、破損したラベルを修正するための新しいフレームワークである。 CanOLAはデータセットの根底にあるノイズ分布を明示的に推定し、この情報をノイズを意識したディープニューラルネットワークのトレーニングに組み込む。 現実的な雑音ラベリングシナリオ下で, 広く使用されている6つのデータセット上でCANOLAを評価した。
• 参考スコア（独自算出の注目度）: 3.3972589298341522
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: High-quality labeled data is essential for training reliable ML/DL models. However, real-world datasets often contain a considerable proportion of corrupted labels, which can severely degrade model performance. To address this problem, we propose CANOLA, a novel framework for correcting corrupted labels through noise-aware learning and iterative label refinement. CANOLA explicitly estimates the underlying noise distribution of the dataset and incorporates this information into the training of a noise-aware Deep Neural Network. By incorporating noise characteristics during learning, CANOLA enables the model to down-weight unreliable supervision signals and focus on trustworthy patterns, thereby improving robustness and generalization. Label correction is performed via cautious, iterative soft label refinement, in which model predictions are blended with observed labels to prevent premature or erroneous updates. This progressive refinement allows the dataset to be repaired in a stable and controlled manner. We evaluate CANOLA on six widely used datasets under realistic noisy labeling scenarios. Experimental results show that CANOLA consistently outperforms SOTA label correction methods, achieving relative improvements ranging from 19% to 52% in error reduction. Moreover, models trained on datasets corrected by CANOLA obtain substantial downstream performance gains. Even simple classifiers trained on CANOLA's corrected data can outperform complex model-centric approaches by margins of up to 67%.
• Abstract（参考訳）: 高品質なラベル付きデータは、信頼できるML/DLモデルのトレーニングに不可欠である。 しかし、実世界のデータセットは、しばしばかなりの割合の破損したラベルを含んでいるため、モデルのパフォーマンスが著しく低下する可能性がある。 この問題に対処するために,ノイズ認識学習と反復ラベル改善によるラベルの劣化を補正する新しいフレームワークであるCANOLAを提案する。 CANOLAはデータセットの根底にあるノイズ分布を明示的に推定し、この情報をノイズを意識したディープニューラルネットワークのトレーニングに組み込む。 学習中にノイズ特性を取り入れることで、CANOLAは信頼性の低い監視信号を減らし、信頼できるパターンに焦点を合わせ、堅牢性と一般化を改善することができる。 ラベル補正は慎重かつ反復的な軟式ラベル修正によって行われ、モデル予測が観測されたラベルとブレンドされ、未熟または誤更新を防止する。 この進歩的な改善により、データセットを安定かつ制御された方法で修復することができる。 現実的な雑音ラベリングシナリオ下で, 広く使用されている6つのデータセット上でCANOLAを評価した。 実験の結果,CANOLAはSOTAラベル補正法を一貫して上回り,誤差低減の19%から52%の相対的な改善が得られた。 さらに、CANOLAによって修正されたデータセットに基づいてトレーニングされたモデルでは、ダウンストリームのパフォーマンスが大幅に向上する。 CANOLAの修正データに基づいてトレーニングされた単純な分類器でさえ、モデル中心のアプローチを最大67%のマージンで上回ります。

関連論文リスト

• Learning to Clean: Reinforcement Learning for Noisy Label Correction [25.643437301724365]
  本稿では,雑音ラベル補正を強化学習問題として概念化する新しい枠組みを提案する。 提案手法であるReinforcement Learning for Noisy Label Correction (RLNLC)は,データとその関連ラベルを表す包括的状態空間を定義する。 RLNLCの有効性は、複数のベンチマークデータセットに対する広範な実験を通じて実証される。
  論文  参考訳（メタデータ） (2025-11-25T00:32:03Z)
• Ordinal Adaptive Correction: A Data-Centric Approach to Ordinal Image Classification with Noisy Labels [0.9023847175654603]
  雑音ラベルの適応補正にORDinal Adaptive Correction(ORDAC)を提案する。 トレーニング中、ORDACは各サンプルのラベル分布の平均偏差と標準偏差を動的に調整する。 その結果,ORDACとその拡張バージョンはモデル性能を著しく向上させた。
  論文  参考訳（メタデータ） (2025-09-02T14:17:16Z)
• Efficient Adaptive Label Refinement for Label Noise Learning [14.617885790129336]
  本稿では,不適切なラベルを回避し,クリーンなサンプルを徹底的に学習するための適応ラベル精製(ALR)を提案する。 ALRは単純で効率的であり、ノイズや補助的なデータセットに関する事前の知識を必要としない。 人工ラベルノイズ付きベンチマークデータセット(CIFAR-10/100)と固有ノイズ付き実世界のデータセット(ANIMAL-10N, Clothing1M, WebVision)を用いて、ALRの有効性を検証する。
  論文  参考訳（メタデータ） (2025-02-01T09:58:08Z)
• Conformal-in-the-Loop for Learning with Imbalanced Noisy Data [5.69777817429044]
  大規模なデータセットでは、クラス不均衡とラベルノイズが広まっています。 機械学習の研究の多くは、よくラベル付けされたバランスの取れたデータを前提としている。 コンフォーマル・イン・ザ・ループ(Conformal-in-the-Loop, CitL)は,コンフォーマルな予測に基づく手法を用いて,両課題に対処する新しいトレーニングフレームワークである。
  論文  参考訳（メタデータ） (2024-11-04T17:09:58Z)
• Learning with Imbalanced Noisy Data by Preventing Bias in Sample Selection [82.43311784594384]
  実世界のデータセットには、ノイズの多いラベルだけでなく、クラス不均衡も含まれている。 不均衡なデータセットにおけるノイズラベルに対処する,単純かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-02-17T10:34:53Z)
• ERASE: Error-Resilient Representation Learning on Graphs for Label Noise Tolerance [53.73316938815873]
  本稿では, ERASE (Error-Resilient representation learning on graphs for lAbel noiSe tolerancE) という手法を提案する。 ERASEは、プロトタイプの擬似ラベルとプロパゲーションされた識別ラベルを組み合わせて、表現をエラーレジリエンスで更新する。 提案手法は, 広い雑音レベルにおいて, 複数のベースラインをクリアマージンで上回り, 高いスケーラビリティを享受できる。
  論文  参考訳（メタデータ） (2023-12-13T17:59:07Z)
• Label-Retrieval-Augmented Diffusion Models for Learning from Noisy Labels [61.97359362447732]
  ノイズの多いラベルからの学習は、実際のアプリケーションのための機械学習において、重要かつ長年にわたる問題である。 本稿では,生成モデルの観点からラベルノイズ問題を再構成する。 我々のモデルは、標準的な実世界のベンチマークデータセットで新しいSOTA(State-of-the-art)結果を達成する。
  論文  参考訳（メタデータ） (2023-05-31T03:01:36Z)
• Self-Tuning for Data-Efficient Deep Learning [75.34320911480008]
  セルフチューニングは、データ効率のよいディープラーニングを可能にする新しいアプローチである。 ラベル付きおよびラベルなしデータの探索と事前訓練されたモデルの転送を統一する。 SSLとTLの5つのタスクをシャープなマージンで上回ります。
  論文  参考訳（メタデータ） (2021-02-25T14:56:19Z)
• Tackling Instance-Dependent Label Noise via a Universal Probabilistic Model [80.91927573604438]
  本稿では,ノイズラベルをインスタンスに明示的に関連付ける,単純かつ普遍的な確率モデルを提案する。 合成および実世界のラベルノイズを用いたデータセット実験により,提案手法がロバスト性に大きな改善をもたらすことを確認した。
  論文  参考訳（メタデータ） (2021-01-14T05:43:51Z)

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。