自适应 Crowdsourcing 算法用于 Bandit Survey 问题

Feb, 2013

自适应 Crowdsourcing 算法用于 Bandit Survey 问题

Adaptive Crowdsourcing Algorithms for the Bandit Survey Problem

Ittai Abraham, Omar Alonso, Vasilis Kandylas, Aleksandrs Slivkins

TL;DR通过自适应质量控制的简单模型，我们解决了多项选择任务中的 Bandit 调查问题，提出了几种算法，并通过分析和模拟支持了我们的方法。

Abstract

Very recently crowdsourcing has become the de facto platform for distributing and collecting human computation for a wide range of tasks and applications such as information retrieval, natural language processing and machine learning. Current →

crowdsourcing quality control adaptive model multiple-choice tasks bandit survey problem

发现论文，激发创造

基于多臂赌博机的组合多臂赌博机在众感知中的多样性招聘

通过动态调整每轮任务的权重以及采用组合多臂赌博机框架和置信上界方法，本研究提出了一种增强任务多样性、适应任务完成质量差异和有效处理工作者招募预算约束的移动众感知模型，并通过真实数据的模拟和后悔分析证明其有效性。

Dec, 2023

可靠众包系统的预算最优任务分配

本文考虑众包任务分配中的可靠性问题，提出了一种基于置信传播和低秩矩阵逼近的算法来决定如何分配任务，并从工人的答案中推断出正确答案。比较了不同算法的表现，发现基于者非自适应的算法是最优的。此外，还强调了建立可靠的工人信誉系统对于完全运用自适应设计的潜力至关重要。

Oct, 2011

众包自适应调查

该研究介绍了一种众包自适应调查方法（CSAS），结合自然语言处理和自适应算法的进展，生成随用户输入而演变的问题库。该方法将参与者提供的开放性文本转换为李克特式项目，并应用多臂赌博机算法来确定应优先考虑的用户提供的问题。这种自适应方法允许探讨新的调查问题，同时在调查长度方面成本最小化。在拉丁裔信息环境和问题重要性领域的应用展示了 CSAS 识别可能难以通过标准方法追踪的主张或问题的能力。最后讨论了该方法在研究参与者生成内容可能提高我们理解公众意见的主题方面的潜力。

Jan, 2024

使用基于 Bandit 的方法学习鲁棒的搜索策略

通过采用基于赌博机的学习技术来自动选择搜索启发式方法，我们的方法在线学习和选择一组搜索启发式方法，旨在获得具有健壮性和比原先性能更好的自适应搜索启发式方法。初步实验表明，自适应技术比原始搜索启发式方法更为健壮且性能更好。

May, 2018

通过自适应方案在众包中实现预算最优

该研究探讨了如何在固定预算下最大化标注数据的精确度，比较自适应任务分配与非自适应任务分配之间的优劣，并使用概率模型来解决这个问题。

Feb, 2016

算法选择作为带无限损失的赌博机问题

本文提出一种将算法选择表示为部分信息的赌博问题的简单框架，并将现有的求解器适应于该游戏，证明了其期望遗憾的边界，该算法选择技术的也适用于此。

Jul, 2008

基于赌博机的个性化算法框架中的偏差控制

本研究提出了一种算法框架，使得在通过类似赌博机学习用户喜好进行内容个性化推荐过程中能够控制偏差和歧视，并通过实验验证了该算法的可行性和效果。