在實際工作中，你是否遇到過這樣一個問題或痛點：無論是通過哪種方式獲取的標注數據，數據標注質量可能不過關，存在一些錯誤？亦或者是數據標注的標準不統一、存在一些歧義？特別是badcase反饋回來，發現訓練集標注的居然和badcase一樣？如下圖所示，QuickDraw、MNIST和Amazon Reviews數據集中就存在錯誤標注。

為了快速迭代，大家是不是常常直接人工去清洗這些“臟數據”？（筆者也經常這么干～）。但數據規模上來了咋整？有沒有一種方法能夠自動找出哪些錯誤標注的樣本呢？基于此，本文嘗試提供一種可能的解決方案——置信學習。

本文的組織架構是：

01

置信學習的定義

那什么是置信學習呢？這個概念來自一篇由MIT和Google聯合提出的paper：《Confident Learning: Estimating Uncertainty in Dataset Labels[1] 》。論文提出的置信學習（confident learning，CL）是一種新興的、具有原則性的框架，以識別標簽錯誤、表征標簽噪聲并應用于帶噪學習（noisy label learning）。

筆者注：筆者乍一聽置信學習挺陌生的，但回過頭來想想，好像干過類似的事情，比如：在某些場景下，對訓練集通過交叉驗證來找出一些可能存在錯誤標注的樣本，然后交給人工去糾正。此外，神經網絡的成功通常建立在大量、干凈的數據上，標注錯誤過多必然會影響性能表現，帶噪學習可是一個大的topic，有興趣可參考這些文獻：github.com/subeeshvasu/。

廢話不說，首先給出這種置信學習框架的優勢：

• 最大的優勢：可以用于發現標注錯誤的樣本！

• 無需迭代，開源了相應的python包，方便快速使用！在ImageNet中查找訓練集的標簽錯誤僅僅需要3分鐘！

• 可直接估計噪聲標簽與真實標簽的聯合分布，具有理論合理性。

• 不需要超參數，只需使用交叉驗證來獲得樣本外的預測概率。

• 不需要做隨機均勻的標簽噪聲的假設（這種假設在實踐中通常不現實）。

• 與模型無關，可以使用任意模型，不像眾多帶噪學習與模型和訓練過程強耦合。

筆者注：置信學習找出的「標注錯誤的樣本」，不一定是真實錯誤的樣本，這是一種基于不確定估計的選擇方法。

02

置信學習開源工具：cleanlab

論文最令人驚喜的一點就是作者這個置信學習框架進行了開源，并命名為cleanlab，我們可以pip install cleanlab使用，具體文檔說明在這里cleanlab文檔說明。

from cleanlab.pruning import get_noise_indices # 輸入 # s:噪聲標簽 # psx: n x m 的預測概率概率，通過交叉驗證獲得 ordered_label_errors = get_noise_indices(s=numpy_array_of_noisy_labels,psx=numpy_array_of_predicted_probabilities,sorted_index_method='normalized_margin', # Orders label errors)

我們來看看cleanlab在MINIST數據集中找出的錯誤樣本吧，是不是感覺很牛～

如果你不只是想找到錯誤標注的樣本，還想把這些標注噪音clean掉之后重新繼續學習，那3行codes也可以搞定，這時候連交叉驗證都省了～：

from cleanlab.classification import LearningWithNoisyLabels from sklearn.linear_model import LogisticRegression# 其實可以封裝任意一個你自定義的模型. lnl = LearningWithNoisyLabels(clf=LogisticRegression()) lnl.fit(X=X_train_data, s=train_noisy_labels) # 對真實世界進行驗證. predicted_test_labels = lnl.predict(X_test)

?

筆者注：上面雖然只給出了CV領域的例子，但置信學習也適用于NLP啊～此外，cleanlab可以封裝任意一個你自定義的模型，以下機器學習框架都適用：scikit-learn, PyTorch, TensorFlow, FastText。

03

置信學習的3個步驟

置信學習開源工具cleanlab操作起來比較容易，但置信學習背后也是有著充分的理論支持的。事實上，一個完整的置信學習框架，需要完成以下三個步驟 ( 如圖1所示 )：

• Count：估計噪聲標簽和真實標簽的聯合分布；

• Clean：找出并過濾掉錯誤樣本；

• Re-Training：過濾錯誤樣本后，重新調整樣本類別權重，重新訓練；

圖1 置信學習框架

下面對上述3個步驟進行詳細闡述：

1. Count：估計噪聲標簽和真實標簽的聯合分布

我們定義噪聲標簽為??，即經過初始標注（也許是人工標注）、但可能存在錯誤的樣本；定義真實標簽為?，但事實上我們并不會獲得真實標簽，通常可通過交叉驗證對真實標簽進行估計。此外，定義樣本總數為??，類別總數為??。

為了估計聯合分布，共需要4步：

step 1?:?交叉驗證

• 首先需要通過對數據集集進行交叉驗證計算第??樣本在第??個類別下的概率??；

• 然后計算每個人工標定類別??下的平均概率??作為置信度閾值；

• 最后對于樣本??，其真實標簽??為??個類別中的最大概率??，并且??;

step 2:?

計算計數矩陣??（類似于混淆矩陣），如圖1中的?意味著，人工標記為dog但實際為fox的樣本為40個。具體的操作流程如圖2所示：

圖2 計數矩陣C計算流程

step 3?: 標定計數矩陣

目的就是為了讓計數總和與人工標記的樣本總數相同。計算公式如下面所示，其中??為人工標記標簽??的樣本總個數：

?①

step 4?:?

估計噪聲標簽?和真實標簽的聯合分布，可通過下式求得：

?②

看到這里，也許你會問為什么要估計這個聯合分布呢？其實這主要是為了下一步方便我們去clean噪聲數據。此外，這個聯合分布其實能充分反映真實世界中噪聲 ( 錯誤 ) 標簽和真實標簽的分布，隨著數據規模的擴大，這種估計方法與真實分布越接近 ( 原論文中有著嚴謹的證明，由于公式推導繁雜這里不再贅述，有興趣的同學可以詳細閱讀原文～，后文的圖7也有相關實驗進行證明 )。

看到這里，也許你還感覺公式好麻煩，那下面我們通過一個具體的例子來展示上述計算過程：

step 1 :?通過交叉驗證獲取第??樣本在第??個類別下的概率??；為說明問題，這里假設共10個樣本、2個類別，每個類別有5個樣本。經過計算每個人工標簽類別??下的平均概率??分別為：??.

圖3 P[i][j]和t[j]計算

step2：根據圖2的計算流程，我們得到計數矩陣??為：

圖4 計數矩陣C計算

step3：標定后的計數矩陣?為 ( 計數總和與人工標記的樣本總數相同 )，將原來的樣本總數進行加權即可，以??為例，根據公式①，其計算為??）：

step4：聯合分布?為：( 根據公式②直接進行概率歸一化即可 )

圖5 聯合分布Q計算

2. Clean：找出并過濾掉錯誤樣本

在得到噪聲標簽和真實標簽的聯合分布??，論文共提出了5種方法過濾錯誤樣本。

Method 1：，選取??的樣本進行過濾，即選取??最大概率對應的下標??與人工標簽不一致的樣本。

Method 2：，選取構造計數矩陣??過程中、進入非對角單元的樣本進行過濾。

Method 3：Prune by Class ( PBC )，即對于人工標記的每一個類別??,選取??個樣本過濾，并按照最低概率??排序。

Method 4：Prune by Noise Rate ( PBNR )，對于計數矩陣?的非對角單元，選取??個樣本進行過濾，并按照最大間隔??排序。

Method 5：C+NR，同時采用Method 3和Method 4。

我們仍然以圖3給出的示例進行說明：

Method 1：過濾掉i=2,3,4,8,9共5個樣本；

Method 2：進入到計數矩陣非對角單元的樣本分別為i=3,4,9,將這3個樣本過濾；

Method 3：對于類別0，選取??個樣本過濾，按照最低概率排序，選取i=2,3,4；對于類別1，選取??個樣本過濾,按照最低概率排序選取i=9；綜上，共過濾i=2,3,4,9共4個樣本；

Method 4：對于非對角單元??選取i=2,3,4過濾，對??選取i=9過濾。

上述這些過濾樣本的方法在cleanlab也有提供，我們只要提供2個輸入、1行code即可clean錯誤樣本：

import cleanlab # 輸入 # s:噪聲標簽 # psx: n x m 的預測概率概率，通過交叉驗證獲得 # Method 3：Prune by Class (PBC) baseline_cl_pbc = cleanlab.pruning.get_noise_indices(s, psx, prune_method='prune_by_class',n_jobs=1) # Method 4：Prune by Noise Rate (PBNR) baseline_cl_pbnr = cleanlab.pruning.get_noise_indices(s, psx, prune_method='prune_by_noise_rate',n_jobs=1) # Method 5：C+NR baseline_cl_both = cleanlab.pruning.get_noise_indices(s, psx, prune_method='both',n_jobs=1)

3. Re-Training：過濾錯誤樣本后，重新訓練

在過濾掉錯誤樣本后，根據聯合分布??將每個類別i下的損失權重修正為：??，其中??.然后采取Co-Teaching[2]框架進行。

圖6 Co-teaching

如圖6所示，Co-teaching的基本假設是認為noisy label的loss要比clean label的要大，于是它并行地訓練了兩個神經網絡A和B，在每一個Mini-batch訓練的過程中，每一個神經網絡把它認為loss比較小的樣本，送給它其另外一個網絡，這樣不斷進行迭代訓練。

04

實驗結果

上面我們介紹完成置信學習的3個步驟，本小節我們來看看這種置信學習框架在實踐中效果如何？在正式介紹之前，我們首先對稀疏率進行定義：稀疏率為聯合分布矩陣、非對角單元中0所占的比率，這意味著真實世界中，總有一些樣本不會被輕易錯標為某些類別，如老虎圖片不會被輕易錯標為汽車。

圖7 真實聯合分布和估計聯合分布

圖7給出了CIFAR-10中，噪聲率為40%和稀疏率為60%情況下，真實聯合分布和估計聯合分布之間的比較，可以看出二者之間很接近，可見論文提出的置信學習框架用來估計聯合分布的有效性。

圖8 不同置信學習方法的比較

上圖給出了CIFAR-10中不同噪聲情況和稀疏性情況下，置信學習與其他SOTA方法的比較。例如在40%的噪聲率下，置信學習比之前SOTA方法Mentornet的準確率平均提高34%。

圖9 置信學習發現的 ImageNet標簽問題

論文還將提出置信學習框架應用于真實世界的ImageNet數據集，利用CL:PBNR找出的TOP32標簽問題如圖9所示，置信學習除了可以找出標注錯誤的樣本 ( 紅色部分 )，也可以發現多標簽問題 ( 藍色部分，圖像可以有多個標簽 )，以及本體論問題：綠色部分，包括"是" ( 比如：將浴缸標記為桶 ) 或"有" ( 比如：示波器標記為CRT屏幕 ) 兩種關系。

圖10 不同置信學習方法和隨機去除的對比

圖10給出了分別去除20％，40％…，100％估計錯誤標注的樣本后訓練的準確性，最多移除200K個樣本。可以看出，當移除小于100K個訓練樣本時，置信學習框架使得準確率明顯提升，并優于隨機去除。

05

總結

本文介紹了一種用來刻畫noisy label、找出錯誤標注樣本的方法——置信學習，是弱監督學習和帶噪學習的一個分支。

置信學習直接估計噪聲標簽和真實標簽的聯合分布，而不是修復噪聲標簽或者修改損失權重。

置信學習開源包cleanlab可以很快速的幫你找出那些錯誤樣本！可在分鐘級別之內找出錯誤標注的樣本。

總結

以上是生活随笔為你收集整理的置信学习：让样本中的“脏数据“原形毕露的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。