MétaCan
← tous les travaux

TRAINING DEEP NEURAL NETWORKS ON NOISY LABELS WITH BOOTSTRAPPING

2015· article· en· 330 citations· W2962762541 sur OpenAlex

Pourquoi ce travail est-il dans la base ?

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

Porte sur le CanadaSon objet est le Canada, où que soient ses auteurs.

Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Prédiction du classificateur

metacan-v1-d91a1de5be90

Les prédictions imitent deux enseignants automatiques. Les scores ne sont pas des probabilités de prévalence calibrées.

Candidat du classificateur
Simulation ou modélisationThéorique ou conceptuel
Consensus du classificateur
Simulation ou modélisation
Scores d’imitation des enseignants

Codex

Simulation ou modélisation0,814
Autre devis0,315
Théorique ou conceptuel0,049
Bibliométrie0,004
Métarecherche0,001
Science ouverte0,000
Observationnel0,000
Qualitatif0,000
Intégrité de la recherche0,000
Essai randomisé0,000
Sans objet0,000
Communication savante0,000
Étude de cas0,000
Expérimental (laboratoire)0,000
Essai non randomisé0,000
Méta-analyse0,000
Méta-épidémiologie (sens large)0,000
Études des sciences et des technologies0,000
Méta-épidémiologie (sens strict)0,000
Revue systématique0,000

Gemma

Simulation ou modélisation0,974
Théorique ou conceptuel0,006
Observationnel0,005
Bibliométrie0,004
Métarecherche0,002
Sans objet0,001
Qualitatif0,000
Étude de cas0,000
Revue systématique0,000
Communication savante0,000
Essai randomisé0,000
Essai non randomisé0,000
Intégrité de la recherche0,000
Science ouverte0,000
Méta-analyse0,000
Méta-épidémiologie (sens strict)0,000
Méta-épidémiologie (sens large)0,000
Études des sciences et des technologies0,000
Expérimental (laboratoire)0,000

Scores machine (provisoires)

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Tête enseignante Opus0,136
Tête enseignante GPT0,186
Écart entre enseignants
0,049 la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validation
score_only:v0-immature-baseline tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Résumé

Current state-of-the-art deep learning systems for visual object recognition and detection use purely supervised training with regularization such as dropout to avoid overfitting. The performance depends critically on the amount of labeled examples, and in current practice the labels are assumed to be unambiguous and accurate. However, this assumption often does not hold; e.g. in recognition, class labels may be missing; in detection, objects in the image may not be localized; and in general, th…

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.