ノイズラベルからの深層自己学習

ConvNetsは、クリーンなデータからの学習で良い結果を達成しますが、ノイズの多いラベルからの学習はパフォーマンスを大幅に低下させ、依然として課題です。多くの条件に制約された以前の研究とは異なり、実際のノイズの多いデータセットで追加の監視なしに堅牢なネットワークをトレーニングするための革新的な深層自己学習フレームワークを提案します。提案されたアプローチにはいくつかの魅力的な利点があります。(1) ほとんどの既存の研究とは異なり、ノイズラベルの分布に関する前提を必要とせず、実際のノイズに対して堅牢です。(2) 追加のクリーン監視や補助ネットワークを必要とせず、トレーニングをサポートします。(3) ネットワークを反復的なエンドツーエンドの方法でトレーニングするための自己学習フレームワークを提案します。これにより、効果的かつ効率的な学習が可能です。Clothing1MやFood101-Nなどの挑戦的なベンチマークにおける広範な実験により、私たちのアプローチはすべての実証設定で競合他社よりも優れた性能を示しています。