本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

你知道嗎？就連ImageNet中也可能至少存在10萬個標簽問題。

在大量的數(shù)據(jù)集中去描述或查找標簽錯誤本身就是挑戰(zhàn)性超高的任務(wù)，多少英雄豪杰為之頭痛不已。

最近，MIT和谷歌的研究人員便提出了一種廣義的自信學習(Confident Learning，CL)方法，可以直接估計給定標簽和未知標簽之間的聯(lián)合分布。

這種廣義的CL，也是一個開源的Clean Lab Python包，在ImageNet和CIFAR上的性能比其他前沿技術(shù)高出30%。

這種方法有多厲害？舉個栗子。

上圖是2012年ILSVRC ImageNet訓(xùn)練集中使用自信學習發(fā)現(xiàn)的標簽錯誤示例。研究人員將CL發(fā)現(xiàn)的問題分為三類：

1、藍色：圖像中有多個標簽；
2、綠色：數(shù)據(jù)集中應(yīng)該包含一個類；
3、紅色：標簽錯誤。

通過自信學習，就可以在任何數(shù)據(jù)集中使用合適的模型來發(fā)現(xiàn)標簽錯誤。下圖是其他三個常見數(shù)據(jù)集中的例子。

△目前存在于Amazon Reviews、MNIST和Quickdraw數(shù)據(jù)集中的標簽錯誤的例子，這些數(shù)據(jù)集使用自信學習來識別不同的數(shù)據(jù)模式和模型。

這么好的方法，還不速來嘗鮮？

什么是自信學習？

自信學習已然成為監(jiān)督學習的一個子領(lǐng)域。

從上圖不難看出，CL需要2個輸入：

1、樣本外預(yù)測概率；
2、噪聲標簽；

對于弱監(jiān)督而言，CL包括三個步驟：

1、估計給定的、有噪聲的標簽和潛在的(未知的)未損壞標簽的聯(lián)合分布，這樣就可以充分描述類條件標簽噪聲；
2、查找并刪除帶有標簽問題的噪聲(noisy)示例；
3、進行消除錯誤的訓(xùn)練，然后根據(jù)估計的潛在先驗重新加權(quán)示例。

那么CL的工作原理又是什么呢？

我們假設(shè)有一個數(shù)據(jù)集包含狗、狐貍和奶牛的圖像。CL的工作原理就是估計噪聲標簽和真實標簽的聯(lián)合分布(下圖中右側(cè)的Q矩陣)。

△左：自信計數(shù)的示例；右：三類數(shù)據(jù)集的噪聲標簽和真實標簽的聯(lián)合分布示例。

接下來，CL計數(shù)了100張被標記為“狗”的圖像，這些圖像就很可能是“狗”類(class dog)，如上圖左側(cè)的C矩陣所示。

CL還計數(shù)了56張標記為狗，但高概率屬于狐貍的圖像，以及32張標記為狗，但高概率屬于奶牛的圖像。

而后的中心思想就是，當一個樣本的預(yù)測概率大于每個類的閾值時，我們就可以自信地認為這個樣本是屬于這個閾值的類。

此外，每個類的閾值是該類中樣本的平均預(yù)測概率。

輕松上手Clean Lab

剛才也提到，本文所說的廣義CL，其實是一個Clean Lab Python包。而它之所以叫Clean Lab，是因為它能“clean”標簽。

Clean Lab具有以下優(yōu)勢：

速度快：單次、非迭代、并行算法(例如，不到1秒的時間就可以查找ImageNet中的標簽錯誤)；
魯棒性：風險最小化保證，包括不完全概率估計；
通用性：適用于任何概率分類器，包括 PyTorch、Tensorflow、MxNet、Caffe2、scikit-learn等；
獨特性：唯一用于帶有噪聲標簽或查找任何數(shù)據(jù)集/分類器標簽錯誤的多類學習的軟件包。

1行代碼就查找標簽錯誤！

3行代碼學習噪聲標簽！

接下來，是Clean Lab在MNIST上表現(xiàn)?？梢栽谶@個數(shù)據(jù)集上自動識別50個標簽錯誤。

原始MNIST訓(xùn)練數(shù)據(jù)集的標簽錯誤使用rankpruning算法進行識別。描述24個最不自信的標簽，從左到右依次排列，自頂向下增加自信(屬于給定標簽的概率)，在teal中表示為conf。預(yù)測概率最大的標簽是綠色的。明顯的錯誤用紅色表示。

傳送門

項目地址：
https://github.com/cgnorthcutt/cleanlab/

自信學習博客：
https://l7.curtisnorthcutt.com/confident-learning