Uploads from ‍김성범[ 교수 / 산업경영공학부 ]

Currently Playing: [Open DMQA Seminar] Beyond DivideMix Advances in Label Noise Learning with Semi Supervised Learning

일반적인 지도학습은 학습 데이터의 레이블이 모두 정확함을 가정한다. 그러나 실제 상황에서는 데이터의 일부가 잘못된 레이블을 가지는 경우가 존재한다. 이러한 noisy label 상황에서 딥러닝 알고리즘을 강건하게 학습 시키는 label noise learning 방법은 필수적인 상황이다. Label noise learning 방식 중, 모델이 noisy 데이터와 clean 데이터를 구분한 후 noisy 데이터를 unlabeled 데이터로 취급하여 준지도학습 방식으로 문제를 해결하는 방법론이 큰 축을 이루고 있다. DivideMix 방법론은 label noise learning에 준지도학습을 결합한 대표적인 방법론이며, 본 세미나에서는 DivideMix와 이를 보다 발전시킨 준지도학습 기반 연구들에 대해 소개하고자 한다. 참고자료: [1] Berthelot, D., Carlini, N., Goodfellow, I., Papernot, N., Oliver, A., & Raffel, C. A. (2019). Mixmatch: A holistic approach to semi-supervised learning. Advances in neural information processing systems, 32. [2] Li, J., Socher, R., & Hoi, S. C. (2020). Dividemix: Learning with noisy labels as semi-supervised learning. arXiv preprint arXiv:2002.07394. [3] Nagarajan, B., Marques, R., Aguilar, E., & Radeva, P. (2024). Bayesian DivideMix++ for enhanced learning with noisy labels. Neural Networks, 172, 106122. [4] Fooladgar, F., To, M. N. N., Mousavi, P., & Abolmaesumi, P. (2024). Manifold DivideMix: A semi-supervised contrastive learning framework for severe label noise. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 4012-4021).