본 논문은 라벨 비율 학습(LLP)이라는 약지도 학습 문제를 다룬다. LLP는 각 인스턴스의 주석 대신 인스턴스들의 집합(bag)과 그 안에 포함된 클래스의 비율을 사용하여 분류기를 학습하는 방법이다. 기존의 bag-level loss 외에, 주로 예측값으로 생성된 pseudo-labels을 이용한 auxiliary instance-level loss를 함께 사용하는데, 본 논문에서는 큰 bag size의 경우 pseudo-labels의 부정확성이 over-smoothing으로 인해 발생하는 문제점을 지적한다. 이를 해결하기 위해, dual entropy-based weight (DEW) 방법을 제안하여 pseudo-labels의 신뢰도를 적응적으로 측정한다. DEW는 bag-level에서의 정확한 예측을 강조하면서 과도하게 부드러운 예측을 피한다. 이를 통해 high-confident instance-level loss를 구성하고, bag-level loss와 함께 self-training 방식으로 공동 최적화한다. 제안하는 방법론은 L^2P-AHIL(Learning from Label Proportions with Auxiliary High-confident Instance-level Loss)이라 명명되었다. 실험 결과, L^2P-AHIL은 기존 방법들을 능가하며, 특히 bag size가 클수록 성능 향상이 더욱 두드러짐을 보였다. 소스 코드는 github에서 공개되었다.
