Probabilistic Machine Learning for Noisy Labels in Earth Observation

要約

地球観測（EO）においてラベルノイズは重要な課題であり、教師あり機械学習（ML）モデルの性能と信頼性をしばしば低下させる。しかし、いくつかのEOアプリケーションの重要な性質を考慮すると、ロバストで信頼できるMLソリューションの開発は不可欠である。本研究では、確率的MLを活用して、入力依存のラベルノイズをモデル化し、EOタスクにおけるデータの不確実性を定量化することで、この方向への一歩を踏み出す。我々は、様々なノイズ源、入力モダリティ、ML構成にまたがる、インパクトの大きいEOアプリケーションの広範囲にわたって、不確実性を考慮した確率モデルを訓練し、その精度と信頼性を評価するための専用パイプラインを導入する。我々の実験結果は、不確実性を考慮したモデルが、ほとんどのデータセットと評価指標において、標準的な決定論的アプローチを一貫して上回ることを示している。さらに、厳密な不確実性評価を通じて、予測された不確実性推定の信頼性を検証し、モデル予測の解釈可能性を高める。我々の発見は、ラベルノイズをモデル化し、EOに不確実性を定量化することの重要性を強調し、より正確で信頼性の高い、信頼できるMLソリューションへの道を開くものである。

要約(オリジナル)

Label noise poses a significant challenge in Earth Observation (EO), often degrading the performance and reliability of supervised Machine Learning (ML) models. Yet, given the critical nature of several EO applications, developing robust and trustworthy ML solutions is essential. In this study, we take a step in this direction by leveraging probabilistic ML to model input-dependent label noise and quantify data uncertainty in EO tasks, accounting for the unique noise sources inherent in the domain. We train uncertainty-aware probabilistic models across a broad range of high-impact EO applications-spanning diverse noise sources, input modalities, and ML configurations-and introduce a dedicated pipeline to assess their accuracy and reliability. Our experimental results show that the uncertainty-aware models consistently outperform the standard deterministic approaches across most datasets and evaluation metrics. Moreover, through rigorous uncertainty evaluation, we validate the reliability of the predicted uncertainty estimates, enhancing the interpretability of model predictions. Our findings emphasize the importance of modeling label noise and incorporating uncertainty quantification in EO, paving the way for more accurate, reliable, and trustworthy ML solutions in the field.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL