Handling Noisy Labels via One-Step Abductive Multi-Target Learning and Its Application to Helicobacter Pylori Segmentation

要約

ノイズの多いラベルからの学習は、多くの実世界シナリオにおいて重要な関心事である。この懸念に対する様々なアプローチは、まず、潜在的にノイズの多いラベルのインスタンスに対応する補正を行い、次に、行った補正の情報を用いて予測モデルを更新する。しかし、病理組織全体画像解析(MHWSIA)のような特定の分野では、専門家が手作業でノイズのない真実のラベルを作成することは困難であり、不可能であることが多い。このような状況は、2つの困難な問題を引き起こす。1)ラベルに含まれる複雑なノイズのために、潜在的にノイズの多いラベルのインスタンスに対応する補正を行うアプローチの方法論には限界があること、2)ノイズのないグランドトゥルースラベルを収集することが非常に困難なため、検証/テストのための適切な評価戦略が不明確であること、である。1)の問題に対しては、多目標学習手続きによって機械学習に1段階の論理的推論を課し、学習モデルの予測値が真の目標に関する事前知識に従うように制約する1段階アブダクティブ多目標学習(OSAMTL)を提案する。問題2)に対しては、学習モデルの予測とOSAMTLの一段階論理的推論の結果から語られる論理的事実との整合性を推定することで、アプローチの出力の論理的合理性を評価する論理評価式(LAF)を提案する。MHWSIAのヘリコバクター・ピロリ(H. pylori)セグメンテーションタスクに基づき、我々は、OSAMTLにより、機械学習モデルが論理的により合理的な予測を達成できることを示す。

要約(オリジナル)

Learning from noisy labels is an important concern in plenty of real-world scenarios. Various approaches for this concern first make corrections corresponding to potentially noisy-labeled instances, and then update predictive model with information of the made corrections. However, in specific areas, such as medical histopathology whole slide image analysis (MHWSIA), it is often difficult or impossible for experts to manually achieve the noisy-free ground-truth labels which leads to labels with complex noise. This situation raises two more difficult problems: 1) the methodology of approaches making corrections corresponding to potentially noisy-labeled instances has limitations due to the complex noise existing in labels; and 2) the appropriate evaluation strategy for validation/testing is unclear because of the great difficulty in collecting the noisy-free ground-truth labels. For the problem 1), we present one-step abductive multi-target learning (OSAMTL) that imposes a one-step logical reasoning upon machine learning via a multi-target learning procedure to constrain the predictions of the learning model to be subject to our prior knowledge about the true target. For the problem 2), we propose a logical assessment formula (LAF) that evaluates the logical rationality of the outputs of an approach by estimating the consistencies between the predictions of the learning model and the logical facts narrated from the results of the one-step logical reasoning of OSAMTL. Based on the Helicobacter pylori (H. pylori) segmentation task in MHWSIA, we show that OSAMTL enables the machine learning model achieving logically more rational predictions, which is beyond various state-of-the-art approaches in handling complex noisy labels.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL