Título: Aprimorando a Técnica Small Loss Approach para Lidar com Amostras Ruidosas em Modelos Deep Learning
Autores: Vitor Bento, Manoela Kohler, Marco Pacheco
Resumo: A área de estudo noisy samples, do qual se refere ao treinamento de modelos de Deep Learning com amostras com rótulos equivocados tem grande importância em aplicações reais de Deep Learning. Atualmente a técnica Small Loss Approach vem sendo amplamente utilizada nos modelos do estado da arte da área. Essa técnica consiste em selecionar as amostras com rótulos corretos do conjunto de dados de treino, excluindo as amostras com rótulos errados. Nesse trabalho demostramos como aumentar o desempenho dessa técnica utilizando o K-Nearest Neighbors Classifier para aumentar o número de amostras com rótulos corretos selecionados. Foi utilizado o dataset CIFAR10 com ruído inserido artificialmente para validar o processo, foi obtido ganhos de performance sobre a acurácia de teste e sobre o Label Precision de 2% ao comparar o modelo Coteaching com a Small Loss Approach com os aprimoramentos apresentados nesse trabalho, e o modelo Co-teaching com a Small Loss Approach convencional. Os próximos passos do estudo irá consistir na ampliação dos datasets benchmarks utilizados para validar o processo e na aplicação dos modelos do estado da arte com a Small Loss Approach aprimorada numa demanda real de importância ambiental de classificação de algas calcárias
Palavras-chave: Noisy Samples, Amostras Ruidosas , Small Loss Approach, Deep Learning
Páginas: 5
Código DOI: 10.21528/CBIC2023-135
Artigo em pdf: CBIC_2023_paper135.pdf
Arquivo BibTeX: CBIC_2023_135.bib