Résumé - Perte asymétrique conjointe pour l'apprentissage avec des étiquettes bruitées

Perte asymétrique conjointe pour l'apprentissage avec des étiquettes bruitées

2025-07-23 16:57:43

{"Jialiang Wang","Xianming Liu","Xiong Zhou","Gangfeng Hu","Deming Zhai","Junjun Jiang","Xiangyang Ji"}

{cs.LG,cs.CV}

Le papier présente une nouvelle approche pour l'apprentissage avec des étiquettes bruitées appelée Pertes Asymétriques Jointes (JAL). Il aborde le problème du bruit des étiquettes dans les réseaux neuronaux profonds en introduisant une fonction de perte asymétrique et en l'élargissant à un scénario de perte passive plus complexe. ### Points Clés : * **Bruit des Étiquettes** : Le bruit des étiquettes est un défi significatif dans les ensembles de données réels, souvent dû à des erreurs humaines ou aux limites des compétences domaines. * ** Pertes Symétriques** : Des recherches précédentes ont mis l'accent sur les fonctions de perte symétriques telles que l'erreur absolue moyenne (MAE) pour atténuer le bruit des étiquettes. Cependant, les pertes symétriques souffrent d'underfitting en raison de leurs contraintes strictes. * **Cadre des Pertes Actives et Passives (APL)** : Le cadre APL combine les pertes actives et passives pour améliorer les processus d'optimisation mutuels, améliorant ainsi les performances globales de l'ajustement. * **Fonctions de Pertes Asymétriques (ALFs)** : Les ALFs offrent une tolérance au bruit sous des conditions plus relâchées par rapport aux fonctions de perte symétriques. Cependant, les ALFs existantes ne sont pas compatibles avec l'APL. * **Perte Quadratique Asymétrique (AMSE)** : Le papier propose l'AMSE, une nouvelle fonction de perte passive asymétrique qui satisfait la condition asymétrique et est théoriquement solide. * **Perte Asymétrique Jointe (JAL)** : JAL combine l'AMSE avec l'APL, améliorant le cadre APL traditionnel tout en préservant la tolérance au bruit et une apprentissage suffisant. * **Expériences** : Des expériences extensives sur divers ensembles de données démontrent l'efficacité de JAL dans la réduction du bruit des étiquettes et l'atteinte de performances supérieures par rapport à d'autres méthodes. ### Contributions : 1. **Extension des Pertes Asymétriques** : Le papier étend les pertes asymétriques au scénario de perte passive, qui est plus difficile à analyser. 2. **AMSE** : Le papier propose l'AMSE, une nouvelle fonction de perte passive asymétrique qui satisfait la condition asymétrique et est théoriquement solide. 3. **JAL** : Le papier introduit JAL, un cadre de perte robuste novateur qui combine l'AMSE avec l'APL, améliorant le cadre APL traditionnel tout en préservant la tolérance au bruit et une apprentissage suffisant. ### Impact : Le cadre JAL proposé fournit une solution robuste et efficace pour l'apprentissage avec des étiquettes bruitées, offrant des performances améliorées et une tolérance au bruit par rapport aux méthodes existantes. Il a le potentiel de modifier significativement diverses applications, y compris la vision par ordinateur, le traitement du langage naturel et d'autres domaines où le bruit des étiquettes est un défi commun.