[1I5-GS-4b] Web intelligence

6:55 PM - 7:10 PM JST(9:55 AM - 10:10 AM UTC)

[1I5-GS-4b-06] Gold-Data-Empowered End-to-End Learning from Crowdsourced Labels

〇Kent Yasutomi¹, Tetsuji Ogawa¹, Teppei Nakano¹ (1. Waseda University)

Keywords:

crowdsourcing,end-to-end learning,label noise,image recognition

クラウドソーシングを用いたアノテーションにおいて，各アノテータの回答数が少ない状況を対象とし，少数の正解ラベル既知データ（ゴールドデータ）を導入することで，真のラベルとアノテータ能力を同時推定する End-to-End モデルの学習を安定化する手法を提案する．クラウドソーシングでは，アノテータ間の能力差や無作為な回答の混入によりラベル品質が不均一となる．そのため，真のラベルとアノテータごとの混同行列を同時に推定する CrowdLayer 型の深層学習モデルは，特に各アノテータの回答数が限られる場合に混同行列推定が不安定になりやすい．本手法では，少量のゴールドデータに対するアノテータの回答から混同行列の初期値を推定するとともに，これらのデータに対する教師あり損失を学習過程に組み込むことで，推定結果が誤った局所解へ収束するリスクを低減する．LabelMe に基づく画像分類タスクでの実験により，提案手法が従来の CrowdLayer と比較して分類精度を向上させるとともに，アノテータ混同行列の推定誤差を定量的に低減できることを確認した．