この記事では、トレーニングデータにおけるラベルエラーの検出方法と、ラベルエラーに強いモデルの必要性について論じています。通常、エラーのあるデータを使ってモデルを訓練することは難しい課題です。著者たちは、Focal Lossに触発され、ラベルエラーの可能性がある難易度の高いサンプルを減重または無視する2つの新しい損失関数を提案しています。これにより、従来のカテゴリークロスエントロピーやFocal Lossに比べて、誤り検出のF1スコアが向上することが示されています。提案された手法は、人工的に汚染されたデータを使用した実験で良好な結果を示し、検出精度の向上が期待されています。