가중치 함수를 직접 학습하기
기존 재가중 방식은 손실에서 가중치를 만드는 함수와 관련 설정을 사람이 정해야 할 수 있다. 적절한 함수는 문제와 자료에 따라 달라지므로 연구는 명시적인 변환 함수를 학습하는 방법을 제시했다.
작은 신경망의 역할
은닉층 하나를 가진 다층 퍼셉트론으로 손실과 예시 가중치의 대응을 표현한다. 다양한 연속 함수를 근사할 수 있는 구조를 이용해 여러 가중치 패턴을 포괄하려는 구성이다.
메타 자료의 안내
소량의 편향 없는 메타 자료가 가중치 함수의 매개변수 갱신을 이끈다. 분류기의 학습과 동시에 함수를 조정하므로 예시의 영향력이 고정된 규칙으로만 결정되지는 않는다.
합성과 실제 자료의 비교
논문은 클래스 불균형과 잘못된 레이블이 있는 조건에서 합성 실험과 실제 실험을 수행했다. 전통적인 설정뿐 아니라 더 복잡한 조건에서도 적합한 가중치 함수를 학습하는지 평가했다.
관련 문서
MentorNet / 메타 학습 기반 예시 재가중 / DivideMix / Co-teaching / Confident Learning / 기계 학습