Mitigating Label Noise using Prompt-Based Hyperbolic Meta-Learning in Open-Set Domain Generalization

要約

オープンセット ドメイン一般化 (OSDG) は、未知のカテゴリを効果的に拒否するために未知のカテゴリに対する信頼を最小限に抑えながら、よく知られたカテゴリを正確に予測するモデルを必要とする困難なタスクです。
OSDG 分野は大幅な進歩を遂げていますが、ラベル ノイズの影響 (実世界のデータセットでよく見られる問題) はほとんど見落とされてきました。
ラベルノイズはモデルの最適化を誤解させる可能性があり、それによって新しいドメインにおける開集合認識の課題が悪化します。
この研究では、PACS や DigitsDG など、広く使用されている OSDG データセットから派生した専用のベンチマークを構築することで、ノイズのあるラベルの下でのオープンセット ドメイン一般化 (OSDG-NL) に対処するための最初の一歩を踏み出します。
ラベルノイズ除去と OSDG 手法の両方の手法を統合することでベースラインのアプローチを評価し、ラベルノイズを効果的に処理する際の既存の戦略の限界を強調します。
これらの制限に対処するために、私たちは、目に見えないクラスへの一般化を強化するように設計された学習可能な新しいカテゴリに依存しないプロンプトとラベルノイズを意識したメタ学習のための双曲カテゴリプロトタイプを統合する新しいフレームワークである HyProMeta を提案します。
当社の広範な実験により、新しく確立されたベンチマーク全体で最先端の手法と比較して HyProMeta の優れたパフォーマンスが実証されました。
本作品のソースコードはhttps://github.com/KPeng9510/HyProMetaで公開されています。

要約(オリジナル)

Open-Set Domain Generalization (OSDG) is a challenging task requiring models to accurately predict familiar categories while minimizing confidence for unknown categories to effectively reject them in unseen domains. While the OSDG field has seen considerable advancements, the impact of label noise–a common issue in real-world datasets–has been largely overlooked. Label noise can mislead model optimization, thereby exacerbating the challenges of open-set recognition in novel domains. In this study, we take the first step towards addressing Open-Set Domain Generalization under Noisy Labels (OSDG-NL) by constructing dedicated benchmarks derived from widely used OSDG datasets, including PACS and DigitsDG. We evaluate baseline approaches by integrating techniques from both label denoising and OSDG methodologies, highlighting the limitations of existing strategies in handling label noise effectively. To address these limitations, we propose HyProMeta, a novel framework that integrates hyperbolic category prototypes for label noise-aware meta-learning alongside a learnable new-category agnostic prompt designed to enhance generalization to unseen classes. Our extensive experiments demonstrate the superior performance of HyProMeta compared to state-of-the-art methods across the newly established benchmarks. The source code of this work is released at https://github.com/KPeng9510/HyProMeta.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google