Stima della matrice di transizione del rumore nelle etichette con garanzie sulle prestazioni tramite classificazione selettiva

Abstract degli autori

Il machine learning moderno dipende in larga misura da dataset di grandi dimensioni, ma ottenere annotazioni di alta qualità su larga scala è spesso costoso. Di conseguenza, è diventato comune apprendere da dati con etichette affette da rumore, e stimare accuratamente la matrice di transizione del rumore nelle etichette è diventato cruciale. Tuttavia, gli attuali metodi di stima di questa matrice si basano su una stima fragile delle probabilità a posteriori delle classi e non offrono garanzie sulle prestazioni per campioni di dimensione finita. In questo lavoro proponiamo una nuova metodologia per stimare la matrice di transizione basata sulla classificazione selettiva unilaterale. Questo approccio evita di stimare le probabilità a posteriori delle classi, offre garanzie sulle prestazioni per campioni di dimensione finita e sfrutta metodi di apprendimento flessibili per la classificazione binaria. Presentiamo inoltre algoritmi efficaci per applicare la metodologia proposta e forniamo limiti più precisi sulle loro prestazioni per campioni di dimensione finita.