- …
- …
#240
summarized by : Ryo Nakamura
どんな論文か？
ノイズの多いラベルを用いた学習の問題を解決するために，Neighborhood Collective Estimation (NCE) を提案．NCEは以下の2ステップから構成され，広範な実験により提案手法の優位性が確認．1)全ての学習サンプルを清浄なサブセットとノイズの多いサブセットに分離．2）ノイズの多いサンプルを再ラベル化し、さらに補助技術によりモデルの最適化を支援を行った．
新規性
従来のLearning with noisy labels (LNL)とは，異なったアイディアを用いた手法を提案し，従来法より優位な性能を示せた点．
結果
CIFAR-10，CIFAR-100，Clothing-1M，Webvision-1.0というよく使われる4つのベンチマークデータセットに対する広範な実験により，提案手法が最先端の手法を大幅に凌駕することが実証された．
アブレーションスタディにより，手法が優位に機能することを確認した．
その他（なぜ通ったか？等）
従来の考えを正すことで，性能の向上に成功したから．
従来は，ノイズの多いラベルに対するモデルのオーバーフィットの影響を軽減することで，モデルの性能と一般化を向上させるための戦略を設計することを目的としていたが，
著者等は，誤って割り当てられたノイズの多いラベルを修正しながら，膨大なノイズの多いデータからできるだけ多くのクリーンなサンプルを識別することが重要と考えた点．
- …
- …