Aprendizaje de ruido de etiqueta con la combinación de modelos CausalNL y CGAN

Dado que las Redes Neuronales Profundas se ajustan fácilmente a los errores de etiqueta, lo que degradará el rendimiento de los algoritmos de Aprendizaje Profundo, investigaciones recientes ofrecen mucha metodología para este problema. Un modelo reciente, causalNL, utiliza un modelo estructural causalNL para el aprendizaje de ruido de etiqueta dependiente de la instancia y obtuvo excelentes resultados experimentales. La implementación del algoritmo se basa en el modelo VAE, que codifica las variables latentes Y y Z con las variables observables X y Y. Esto a su vez genera la matriz de transferencia. Pero se basa en algunas suposiciones poco razonables. En este artículo, introducimos CGAN al modelo causalNL, lo que evita establecer P(Y) y P(Z) para una distribución específica. La capacidad de los GAN de procesar datos no necesita establecer una distribución específica. ICC fue validada en varios conjuntos de datos autorizados y comparada con una variedad de algoritmos probados, incluyendo causalNL. El artículo presenta hallazgos notables sobre el modelo ICC (Introducir CGAN a causalNL), que muestra una excelente capacidad de entrenamiento en la mayoría de los conjuntos de datos. Sorprendentemente, ICC muestra una precisión totalmente superior a la de causalNL en CIFAR10.