CARE: 장꼬리 노이즈 레이블에 대한 신뢰할 수 있는 학습을 위한 클래스 적응형 전문가 합의
CARE: Class-Adaptive Expert Consensus for Reliable Learning with Long-Tailed Noisy Labels
TL;DR AI
1분핵심 요약
연구진은 긴 꼬리 분포와 노이즈가 섞인 라벨 데이터에서 학습을 개선하는 파라미터 효율적 기법 CARE를 제안했다.
CARE는 노이즈 라벨, VLM 텍스트 임베딩, 시각적 특징을 결합해 희귀 클래스에는 더 엄격하게, 빈번한 클래스에는 더 완화된 일치 기준을 적용한다.
합성 및 실제 벤치마크에서 기존 최고 기법보다 최대 3.0%의 정확도 향상을 보였으며, 특히 소수 클래스에서 개선이 컸다.
같은 주제
