Expertise-based Weighting for Regression Models with Noisy Labels

要約

回帰法では、学習時に正確なラベルを入手できることが前提となっている。しかし、あるシナリオでは、正確なラベルを入手することが不可能な場合があり、異なる意見を持つ複数の専門家に依存する必要がある。ノイズの多いラベルに対処する既存のアプローチは、回帰関数に制限的な仮定を課すことが多い。これに対し、本論文では、より柔軟なアプローチを提案する。本手法は、各ラベラーの専門知識を推定し、学習された重みを用いて彼らの意見を組み合わせるという2つのステップから構成される。そして、重み付けされた平均値を入力特徴量に対して回帰し、予測モデルを構築する。提案手法は形式的に正当化され、シミュレーションと実データにおいて既存の手法を凌駕することが実証された。さらに、その柔軟性により、両ステップにおいて任意の機械学習技術を利用することができる。以上のことから、本手法は、多様な専門家の意見に由来するノイズの多いラベルを用いた回帰モデルの学習において、シンプルで高速かつ効果的なソリューションを提供することができる。

要約(オリジナル)

Regression methods assume that accurate labels are available for training. However, in certain scenarios, obtaining accurate labels may not be feasible, and relying on multiple specialists with differing opinions becomes necessary. Existing approaches addressing noisy labels often impose restrictive assumptions on the regression function. In contrast, this paper presents a novel, more flexible approach. Our method consists of two steps: estimating each labeler’s expertise and combining their opinions using learned weights. We then regress the weighted average against the input features to build the prediction model. The proposed method is formally justified and empirically demonstrated to outperform existing techniques on simulated and real data. Furthermore, its flexibility enables the utilization of any machine learning technique in both steps. In summary, this method offers a simple, fast, and effective solution for training regression models with noisy labels derived from diverse expert opinions.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL