La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Learning from Noisy Complementary Labels with Robust Loss Functions Apprendre des étiquettes complémentaires bruyantes avec des fonctions de perte robustes

Hiroki ISHIGURO, Takashi ISHIDA, Masashi SUGIYAMA

  • Vues en texte intégral

    0

  • Citer

Résumé:

Il a été démontré que des ensembles de données étiquetés à grande échelle facilitent le succès de l’apprentissage automatique. Cependant, la collecte de données étiquetées est souvent très coûteuse et sujette aux erreurs dans la pratique. Pour résoudre ce problème, des études antérieures ont envisagé l'utilisation d'une étiquette complémentaire, qui spécifie une classe à laquelle une instance n'appartient pas et peut être collectée plus facilement que les étiquettes ordinaires. Cependant, les étiquettes complémentaires pourraient également être sujettes aux erreurs et atténuer l’influence du bruit des étiquettes constitue donc un défi important pour rendre l’apprentissage des étiquettes complémentaires plus utile dans la pratique. Dans cet article, nous dérivons des conditions pour la fonction de perte telles que l'algorithme d'apprentissage soit ne sauraient affectés par le bruit dans les étiquettes complémentaires. Des expériences sur des ensembles de données de référence avec des étiquettes complémentaires bruitées démontrent que les fonctions de perte qui satisfont nos conditions améliorent considérablement les performances de classification.

Publication
IEICE TRANSACTIONS on Information Vol.E105-D No.2 pp.364-376
Date de publication
2022/02/01
Publicisé
2021/11/01
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2021EDP7035
Type de manuscrit
PAPER
Catégories
Intelligence artificielle, exploration de données

Auteurs

Hiroki ISHIGURO
  University of Tokyo
Takashi ISHIDA
  University of Tokyo,RIKEN
Masashi SUGIYAMA
  University of Tokyo,RIKEN

Mots-clés

Table des matières