- …
- …
#209
summarized by : Ryo Nakamura
どんな論文か？
Label Noise(LN)の学習では，揺らぎの事象（現時点で正しく分類されたサンプルが、次の学習ステップで誤って分類される現象）が観測される．
この論文では，この揺らぎの現象に着目しLNをフィルタリングする新しいサンプル選択戦略Self-Filtering (SFT)を提案．
さらに，SFTの選択バイアスを減らすための正則化項の設計や従来法FixMatchと組み合わせでモデル性能の向上を達成．
新規性
１．ラベルノイズ学習におけるサンプル選択を再考し，過去の予測値の揺らぎを利用してクリーンなサンプルを選択する新しい戦略を提案．
２．正則化項を設計し，ネットワークの自信のある出力にペナルティを与えることで，サンプル選択の偏りを忠実に緩和することが可能．
結果
新しい学習フレームワークである自己フィルタリング(SFT)を構築し，様々なノイズタイプを持つ3つのベンチマークにおいて新しい最先端を達成する．
提案手法を従来の学習フレームワークに適用したところ，大幅な性能向上を達成し，ラベルノイズ学習における汎用性の高さを実証している．
その他（なぜ通ったか？等）
ラベルノイズ学習における揺らぎの現象を定義づけ，その現象を利用したSelf-Filteringが良好な結果を示すだけでなく，正則化項の追加や従来法FixMatchとの組合せで，ロバストな学習を実現したため．
- …
- …