Uncertainty-Aware Robust Learning for Noisy Labels
연구 내용
노이즈 레이블과 학습 불확실성을 함께 고려하여 신경망의 학습 안정성을 높이는 강건 분류 연구
데이터 라벨에 포함된 노이즈가 학습 성능을 저하시킬 수 있다는 문제를 다루며, 불확실성을 활용하는 강건 학습 관점에서 접근합니다. Neural Networks 학습 과정에서 노이즈 레이블의 영향을 완화하고, 예측의 신뢰도와 학습 안정성을 동시에 고려하는 방식으로 연구를 수행합니다. 구체적으로 불확실성 추정을 기반으로 학습 목표 또는 학습 가중치를 조정하여 노이즈에 대한 민감도를 낮추고 일반화 성능을 확보하는 방향을 지향합니다. 이를 통해 실제 데이터 품질 변화에도 견고한 학습 파이프라인 구축을 목표로 합니다.
관련 연구 성과
관련 논문
1편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
2021년에는 noisy labels와 uncertainty를 동시에 다루는 강건 학습 방법을 제안하며, 라벨 품질 문제를 학습 안정성 관점에서 정식화하는 연구를 수행하였습니다. 이후 제어·네트워크 안정성 연구와의 공통 기반인 ‘불확실성 하 성능 보장’ 관점을 유지하면서, 데이터 측면의 강건화로 확장되는 방향을 취하고 있습니다. 현재는 라벨 노이즈 환경에서도 신뢰도 기반 학습을 안정적으로 적용할 수 있는 후속 연구를 준비하는 단계입니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
How to handle noisy labels for robust learning from uncertainty