[論文レビュー] Learning with Biased Complementary Labels

Xiyu Yu, Tongliang Liu+2 more|arXiv (Cornell University)|Nov 27, 2017

Machine Learning and Data Classification参考文献 22被引用数 8

ひとこと要約

本稿では、アノテーターが誤って間違っていると信じるクラスを誤ってラベル付けする「バイアス付き補完ラベル」における学習のための新規フレームワークを提案する。このフレームワークは、真のラベルと補完ラベルの間の非一様な遷移確率をモデル化することで、バイアスのない明確で識別しやすいインスタンスを用いて、これらの遷移確率を推定する。標準的な損失関数をバイアスに対応するように修正し、理論的に最適な分類器への収束を保証する。ベンチマークデータセット上での実験では、最先端手法を10%以上の精度向上で上回る。

ABSTRACT

In this paper, we study the classification problem in which we have access to easily obtainable surrogate for true labels, namely complementary labels, which specify classes that observations do extbf{not} belong to. Let $Y$ and $\bar{Y}$ be the true and complementary labels, respectively. We first model the annotation of complementary labels via transition probabilities $P(\bar{Y}=i|Y=j), i eq j\in\{1,\cdots,c\}$, where $c$ is the number of classes. Previous methods implicitly assume that $P(\bar{Y}=i|Y=j), \forall i eq j$, are identical, which is not true in practice because humans are biased toward their own experience. For example, as shown in Figure 1, if an annotator is more familiar with monkeys than prairie dogs when providing complementary labels for meerkats, she is more likely to employ "monkey" as a complementary label. We therefore reason that the transition probabilities will be different. In this paper, we propose a framework that contributes three main innovations to learning with extbf{biased} complementary labels: (1) It estimates transition probabilities with no bias. (2) It provides a general method to modify traditional loss functions and extends standard deep neural network classifiers to learn with biased complementary labels. (3) It theoretically ensures that the classifier learned with complementary labels converges to the optimal one learned with true labels. Comprehensive experiments on several benchmark datasets validate the superiority of our method to current state-of-the-art methods.

研究の動機と目的

• 既存手法が均一な補完ラベル選択を仮定しているという制限に対処すること。これは現実のアノテーターのバイアスを無視している。
• 各クラスごとに明確で識別しやすいインスタンスを用いて、バイアスなしで $ P(\bar{Y}=i|Y=j) $ の遷移確率をモデル化・推定すること。
• 標準的な深層ニューラルネットワークの損失関数を、バイアス付き補完ラベルで学習可能な一般化手法を開発すること。
• 提案されたフレームワーク下で、補完ラベルで学習した分類器が真のラベルで学習した最適分類器に収束することを理論的に証明すること。
• 多様なベンチマークデータセット上で、本手法が最先端手法を上回ることを実験的に検証すること。

提案手法

• 本手法は、補完ラベルのアノテーションプロセスをクラス条件付き遷移確率 $ P(\bar{Y}=i|Y=j) $ でモデル化する。実際には人間のバイアスのため、これらは非一様である。
• 各クラス $ j $ に対して $ P(Y=j|\mathbf{x}_j) = 1 $ を満たす明確で高信頼度のインスタンス $ \mathbf{x}_j $ の小さな集合を用いて、$ P(\bar{Y}=i|Y=j) $ をバイアスなしで推定する。
• フレームワークは、$ P(\bar{Y}=i|Y=j) = P(\bar{Y}=i|\mathbf{x}_j) $ の恒等式を用い、補完ラベル付きデータから遷移確率を推定する。
• 推定された遷移確率を組み込んだ修正された交差エントロピー損失関数を用いることで、バイアス付き補完ラベルからの有効な学習が可能になる。
• 修正された損失関数を最小化することで、真のラベル損失を最小化するのと同じ解に到達することを保証することで、最適分類器への収束を確保する。
• Talagrandの収縮補題と損失関数のリプシッツ連続性を用いて、レーディンガー複雑度をバウンドし、一般化を支援する。

実験結果

リサーチクエスチョン

• RQ1 人間の経験に起因する非一様な選択プロセスにおいて、バイアスなしで真のラベルと補完ラベルの間の遷移確率を推定できるか？
• RQ2 標準的な深層学習損失関数を、バイアス付き補完ラベルから効果的に学習できるようにどのように適応できるか？
• RQ3 提案手法は、バイアス付き補完ラベルの下で、真のラベルで学習した最適分類器への収束を保証するか？
• RQ4 精度とサンプル効率の観点から、提案手法は最先端手法と比較してどのように性能を発揮するか？
• RQ5 実際の応用において、均一な仮定よりもバイアス付き補完ラベルの恩恵をより大きく受けられるか？

主な発見

• 提案手法は、MNIST、CIFAR、Tiny ImageNetを含むベンチマークデータセット上で、最先端手法を10%以上の精度向上で上回る。
• UCIデータセット上でも、既存手法を顕著に上回り、多様なデータ分布にわたるロバストネスを示す。
• 理論的分析により、補完ラベルで学習した分類器が、真のラベルで学習した最適分類器に保証されたレートで収束することが確認された。
• 実験結果から、本手法は均一な仮定よりもバイアス付き補完ラベルの恩恵をより大きく受けられ、少数の訓練サンプルでも高い性能を発揮することが示された。
• 実験的に、バイアス付き設定下でもフレームワークの収束がより効果的であることが確認され、非一様性をモデル化することで学習効率が向上することが示された。
• 各クラスごとの明確なインスタンスの使用により、バイアスのない正確な遷移確率推定が可能となり、性能向上に不可欠であることがわかった。