SELECT: Ein Benchmark für Datenkuratierungsstrategien zur Bildklassifizierung

In der heutigen Zeit, in der Künstliche Intelligenz (KI) immer mehr an Bedeutung gewinnt, spielen qualitativ hochwertige Datensätze eine entscheidende Rolle. Die Qualität der Daten hat direkten Einfluss auf die Leistungsfähigkeit von KI-Modellen. Ein wichtiger Schritt bei der Erstellung solcher Datensätze ist die Datenkuratierung – der Prozess der Sammlung und Organisation von Daten, um ein effizientes Lernen zu ermöglichen.

Die Herausforderung der Datenkuratierung

Obwohl die Datenkuratierung eine zentrale Rolle im Bereich des Maschinellen Lernens spielt, wurde bisher wenig Aufwand in einen systematischen Vergleich verschiedener Kuratierungsmethoden investiert. Häufig werden Datensätze nach impliziten Kriterien zusammengestellt, ohne dass die genauen Auswirkungen der gewählten Strategien auf die spätere Modellleistung im Detail untersucht werden.

Diese mangelnde Transparenz und Vergleichbarkeit stellt die Forschungsgemeinschaft vor Herausforderungen. Es fehlt an Benchmarks, die es ermöglichen, die Effektivität verschiedener Datenkuratierungsstrategien objektiv zu bewerten und zu vergleichen.

SELECT und ImageNet++: Ein Schritt in Richtung Transparenz und Vergleichbarkeit

Vor diesem Hintergrund wurde SELECT ins Leben gerufen – ein groß angelegter Benchmark, der verschiedene Datenkuratierungsstrategien für die Bildklassifizierung gegenüberstellt und bewertet. SELECT ermöglicht es Forschern, die Auswirkungen verschiedener Kuratierungsmethoden auf die Leistung von Bildklassifizierungsmodellen zu untersuchen und zu vergleichen.

Um aussagekräftige Vergleiche zu ermöglichen, wurde im Rahmen von SELECT der Datensatz ImageNet++ erstellt – eine Erweiterung des bekannten ImageNet-Datensatzes, der in der KI-Forschung weit verbreitet ist. ImageNet++ umfasst neben dem ursprünglichen ImageNet-Datensatz fünf weitere Datensätze, die jeweils unterschiedliche Verteilungen von Bilddaten repräsentieren. Diese wurden mit verschiedenen Kuratierungsstrategien erstellt, um eine möglichst große Bandbreite an Ansätzen abzudecken.

Die verschiedenen Kuratierungsstrategien im Vergleich

ImageNet++ umfasst Datensätze, die mit folgenden Kuratierungsstrategien erstellt wurden:

- **Expertenbasierte Kuratierung:** Dieser Ansatz, der auch für den ursprünglichen ImageNet-Datensatz verwendet wurde, gilt als Goldstandard. Experten wählen Bilder manuell aus und versehen sie mit präzisen Labels. Diese Methode ist zwar sehr zuverlässig, aber auch zeitaufwendig und kostspielig. - **Synthetische Datengenerierung:** Bei diesem Ansatz werden mithilfe von KI-Modellen künstliche Bilder erzeugt, die bestimmte Eigenschaften aufweisen. Dies ermöglicht es, Datensätze mit spezifischen Merkmalen zu erstellen, die in realen Datensätzen möglicherweise nur unzureichend repräsentiert sind. - **Semantische Suche mit CLIP-Embeddings:** CLIP ist ein KI-Modell, das Bilder und Texte in einen gemeinsamen semantischen Raum einbettet. Durch die Suche nach Bildern, die im CLIP-Raum nahe an bestimmten Textbeschreibungen liegen, lassen sich Datensätze erstellen, die auf semantischen Ähnlichkeiten basieren.

Wichtigste Ergebnisse und Erkenntnisse

Der Vergleich der verschiedenen Kuratierungsstrategien im Rahmen von SELECT lieferte interessante Erkenntnisse. So erwiesen sich kostengünstigere Methoden, wie die synthetische Datengenerierung und die semantische Suche mit CLIP-Embeddings, in bestimmten Szenarien als durchaus konkurrenzfähig zum Goldstandard der expertenbasierten Kuratierung.

Allerdings zeigte sich auch, dass die expertenbasierte Kuratierung in den meisten Fällen weiterhin die beste Leistung erbrachte. Dies verdeutlicht, dass menschliche Expertise bei der Erstellung von qualitativ hochwertigen Datensätzen nach wie vor unverzichtbar ist.

Weitere wichtige Erkenntnisse aus SELECT sind:

- Kuratierungsmethoden, die auf Bild-zu-Bild-Beziehungen basieren, schneiden im Allgemeinen besser ab als solche, die sich auf Textbeschreibungen stützen. - Label-Noise und Label-Imbalance, also Fehler bei der Annotation und ungleiche Verteilung der Klassen, haben weiterhin einen signifikanten Einfluss auf die Qualität von Datensätzen und die Leistung der darauf trainierten Modelle.

Fazit und Ausblick

SELECT und ImageNet++ leisten einen wichtigen Beitrag zur Verbesserung der Transparenz und Vergleichbarkeit von Datenkuratierungsstrategien für die Bildklassifizierung. Die Ergebnisse der Benchmarks liefern wertvolle Erkenntnisse für die zukünftige Forschung und Entwicklung im Bereich der KI. Sie zeigen, dass kostengünstigere Methoden in bestimmten Anwendungsfällen vielversprechend sind, der Goldstandard der expertenbasierten Kuratierung aber weiterhin seine Berechtigung hat.

Die Forschung im Bereich der Datenkuratierung steht jedoch noch am Anfang. SELECT und ImageNet++ bilden eine solide Grundlage für die Entwicklung neuer und innovativer Methoden zur Erstellung von qualitativ hochwertigen Datensätzen, die die Leistungsfähigkeit von KI-Modellen weiter verbessern werden.

Bibliographie

- https://arxiv.org/abs/2410.05057 - https://arxiv.org/html/2410.05057v1 - https://github.com/jimmyxu123/select - https://paperreading.club/page?id=257165 - https://paperswithcode.com/latest - https://openreview.net/forum?id=cj4J7aaKQp - https://www.researchgate.net/publication/323570778_Data_Curation_with_Deep_Learning_Vision_Towards_Self_Driving_Data_Curation - https://openaccess.thecvf.com/content/ICCV2023/papers/Xu_CiT_Curation_in_Training_for_Effective_Vision-Language_Data_ICCV_2023_paper.pdf - https://elib.dlr.de/141687/1/On_Creating_Benchmark_Dataset_for_Aerial_Image_Interpretation_Reviews_Guidances_and_Million-AID.pdf