针对标签噪声鲁棒性的逐周期标签攻击
计算机视觉与模式识别
2019-12-13 v2 机器学习
摘要
当前用于训练卷积神经网络的大型医学数据集的可获取性极高。相关的数据集标签始终被视为真实的“金标准”。然而，标注过程往往不准确，并混入了许多错误标签。这可能对训练和评估的性能产生严重后果。在本文中，我们基于胸部 X 射线图像，展示了训练集中标签噪声对某一特定医学问题的影响。通过一个简单的单类问题——结核病的分类，我们测量了在使用标签损坏数据训练时在干净评估集上的性能。我们开发了一种方法，通过在单个周期内随机攻击标签来应对训练过程中的错误标注数据。当翻转正确标签单个周期时，网络趋于鲁棒；而当翻转含噪标签时，则在误差面上向最优极小值迈出良好一步。在 AUC（曲线下面积）得分为 0.924 的基线上，当 30% 的训练数据被误分类时，性能下降至 0.809。采用我们的方法后，基线性能几乎得以保持，性能回升至 0.918。
引用
@article{arxiv.1912.01966,
title = {Epoch-wise label attacks for robustness against label noise},
author = {Sebastian Guendel and Andreas Maier},
journal= {arXiv preprint arXiv:1912.01966},
year = {2019}
}
备注
Accepted at BVM 2020