【关于 “脏数据”处理】那些你不知道的事

作者：杨夕

面筋地址：https://github.com/km1994/NLP-Interview-Notes

个人笔记：https://github.com/km1994/nlp_paper_study

个人介绍：大佬们好，我叫杨夕，该项目主要是本人在研读顶会论文和复现经典论文过程中，所见、所思、所想、所闻，可能存在一些理解错误，希望大佬们多多指正。

【注：手机阅读可能图片打不开！！！】

一、动机

1.1 何为“脏数据”？

在 生产中，我们从 标注人员那边 所得到的数据，可能并不是“干净数据”，而有可能存在 一小部分 “脏数据”。

• 那么，何为“脏数据”：
  • 数据标注规范不统一【eg：一开始设定了标注规范，但是标一般之后发现不对，然后修改了规范，但是没有改之前处理的数据，sad!!!】
  • 标注歧义问题 【eg：同一条数据，可能被标注为不同的标签】

1.2 “脏数据” 会带来什么后果？

神经网络的成功通常建立在大量、干净的数据上，标注错误过多必然会影响性能表现。

二、“脏数据” 处理篇

2.1 “脏数据” 怎么处理呢？

• 如何寻找“脏数据”？

  • 人工清洗？ 【眼瞎】
  • 重标？ 【标注人员和平相处五项原则】
  • 自己改？ 【外号 “算法工程师” 的 “标注工程师”】

• 那有没有好点的方法呢？

  • 置信学习方法
  • ...

2.2 置信学习方法篇

2.2.1 什么是 置信学习方法？

• 置信学习方法 其实就是 计算 每一个样本的 标签的置信度，以识别标签错误、表征标签噪声并应用于带噪学习（noisy label learning）。【注：模型找出的置信度低的样本，并不一定就是错误样本，而只是一种不确定估计的选择方法】
• 举例说明：
  • 在某些场景下，对训练集通过交叉验证来找出一些可能存在错误标注的样本，然后交给人工去纠正。

2.2.2 置信学习方法 优点？

• 发现 “可能错误的样本” 【注：这个只能说是相对的，因为模型找出的置信度低的样本，并不一定就是错误样本，而只是一种不确定估计的选择方法】；
• 置信学习开源工具 cleanlab
• 可直接估计噪声标签与真实标签的联合分布，具有理论合理性。
• 不需要超参数，只需使用交叉验证来获得样本外的预测概率。
• 不需要做随机均匀的标签噪声的假设（这种假设在实践中通常不现实）。
• 与模型无关，可以使用任意模型，不像众多带噪学习与模型和训练过程强耦合。

2.2.3 置信学习方法 怎么做？

1. Count：估计噪声标签和真实标签的联合分布；
2. Clean：找出并过滤掉错误样本；
3. Re-Training：过滤错误样本后，重新调整样本类别权重，重新训练；

2.2.4 置信学习方法 怎么用？有什么开源框架？

• 置信学习开源工具： cleanlab
• 使用文档：cleanlab 操作手册
• 使用

1. cleanlab在MINIST数据集中找出的错误样本

    from cleanlab.pruning import get_noise_indices
    # 输入
    # s:噪声标签
    # psx: n x m 的预测概率概率，通过交叉验证获得
    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
    )

2. 找出错误样本后，clean 点，重新训练

    from cleanlab.classification import LearningWithNoisyLabels
    from sklearn.linear_model import LogisticRegression
    ​
    # 其实可以封装任意一个你自定义的模型.
    lnl = LearningWithNoisyLabels(clf=LogisticRegression()) 
    lnl.fit(X=X_train_data, s=train_noisy_labels) 
    # 对真实世界进行验证.
    predicted_test_labels = lnl.predict(X_test)

2.2.5 置信学习方法 的工作原理？

1. 置信学习方法 主要是通过 寻找出 标注数据中的 “脏数据”，然后抛弃掉这些数据后重新训练，也就是直接估计噪声标签和真实标签的联合分布，而不是修复噪声标签或者修改损失权重。

参考

1. 标注数据存在错误怎么办？MIT&Google提出用置信学习找出错误标注（附开源实现）
2. Confident Learning: Estimating Uncertainty in Dataset Labels