使用深度学习处理文本分类中的嘈杂训练标签

Question

我有一个由句子和相应的多标签组成的数据集（例如，一个句子可以属于多个标签）。 在语言模型 (Word2Vec) 上使用卷积神经网络和循环神经网络的组合，我能够达到很好的准确性。 然而，它 /too/ 擅长对输出进行建模，因为很多标签都可以说是错误的，因此输出也是错误的。 这意味着评估（即使有正则化和辍学）给人的印象是错误的，因为我没有基本事实。 清理标签的费用会高得令人望而却步。 所以我不得不以某种方式探索“去噪”标签。 我看过诸如“从大量噪声标记数据中学习用于图像分类”之类的内容，但是他们假设在输出上学习某种噪声协方差矩阵，我不确定在 Keras 中如何做。

有没有人处理过多标签文本分类设置中的噪声标签问题（理想情况下使用 Keras 或类似的），并且对如何学习带有噪声标签的鲁棒模型有很好的想法？

Answer 1

我是其作者的cleanlab Python 包pip install cleanlab旨在解决此任务： https : //github.com/cgnorthcutt/cleanlab/ 。 这是一个专业的软件包，用于在数据集中查找标签错误并使用嘈杂的标签进行学习。 它适用于任何开箱即用的 scikit-learn 模型，并可与 PyTorch、FastText、Tensorflow 等一起使用。

查找数据集中的标签错误。

from cleanlab.latent_estimation import estimate_cv_predicted_probabilities

# Find the indices of label errors in 2 lines of code.

probabilities = estimate_cv_predicted_probabilities(
    X_train_data, 
    train_noisy_labels, 
    clf=LogisticRegression(),
)
label_error_indices = get_noise_indices(
    s = train_noisy_labels, 
    psx = probabilities, 
)

用于学习嘈杂的标签。

# Code taken from https://github.com/cgnorthcutt/cleanlab
from cleanlab.classification import LearningWithNoisyLabels
from sklearn.linear_model import LogisticRegression

# Learning with noisy labels in 3 lines of code.

# Wrap around any classifier. Works with sklearn/pyTorch/Tensorflow/FastText/etc.
lnl = LearningWithNoisyLabels(clf=LogisticRegression())
lnl.fit(X = X_train_data, s = train_noisy_labels)
# Estimate the predictions you would have gotten by training with *no* label errors.
predicted_test_labels = lnl.predict(X_test)

鉴于您正在使用 NLP 分类和图像分类，以下是FastText (NLP) 和PyTorch (MNIST AlexNet CNN) 的工作示例。

此处提供其他文档： https : //l7.curtisnorthcutt.com/cleanlab-python-package