Reinforcement Learning korrigiert rauschende Labels – neue Methode übertrifft Beste

In der Welt des maschinellen Lernens stellen unschöne Labels ein großes Hindernis dar, denn sie können die Genauigkeit von Vorhersagemodellen stark beeinträchtigen. Das neue Papier von ArXiv präsentiert einen innovativen Ansatz, um dieses Problem zu lösen.

Der Ansatz, genannt Reinforcement Learning for Noisy Label Correction (RLNLC), betrachtet die Korrektur von Labels als ein Reinforcement‑Learning‑Problem. Dabei wird ein umfassender Zustandsraum definiert, der die Daten und ihre zugehörigen Labels umfasst, ein Aktionsraum, der mögliche Label‑Korrekturen beschreibt, sowie ein Belohnungssystem, das die Wirksamkeit der Korrekturen bewertet. RLNLC nutzt ein tiefes Feature‑Repräsentations‑Policy‑Netzwerk und ein Actor‑Critic‑Verfahren, um die Korrekturentscheidungen zu lernen.

Durch umfangreiche Experimente an mehreren Benchmark‑Datensätzen konnte gezeigt werden, dass RLNLC die Leistung von Modellen mit verrauschten Labels konsequent übertrifft und damit einen bedeutenden Fortschritt in der robusten Modellbildung darstellt.