众包标注中的最优预算分配统计决策

Mar, 2014

众包标注中的最优预算分配统计决策

Statistical Decision Making for Optimal Budget Allocation in Crowd Labeling

Xi Chen, Qihang Lin, Dengyong Zhou

TL;DR本篇论文研究了众包标注中的预算分配问题，提出了一种基于贝叶斯马尔科夫决策过程的新算法，即乐观的知识梯度策略，该算法被证明在相同的预算水平下能够实现更高的标签准确性，实验结果表明了该算法在众包标注中的效果。

Abstract

In crowd labeling, a large amount of unlabeled data instances are outsourced to a crowd of workers. Workers will be paid for each label they provide, but the labeling requester usually has only a limited amount of the budget. Since data instances have different levels of labeling diffi

crowd labeling budget allocation bayesian markov decision process optimistic knowledge gradient policy labeling accuracy

发现论文，激发创造

众包场景下的动态任务分配

本文提出一种基于互信息解释的众包问题优化任务分配的方法，通过动态任务分配实现更高的准确度和可能需要更少的标签，从而提高了任务分配的效果。

Jan, 2017

多任务学习中的标签预算分配

多任务学习中，标签预算分配问题会对整体性能产生显著影响。本文提出了一种任务自适应预算分配算法，通过在不同的多任务学习环境中估计和最大化分配预算的新信息程度，优化多任务学习性能。在 PASCAL VOC 和 Taskonomy 上的实验表明，与其他常用的启发式标签策略相比，我们的方法具有明显的效果。

Aug, 2023

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

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

众包分类任务工人分配的主动学习效率

本文针对众包分类任务中工人分配问题，结合理论分析和实验模拟，比较了两种主动学习策略和均匀分配策略的性能，并推导了一个新的性能边界。实验结果表明理论结果在实践中得到了验证。

Oct, 2016

从众策中高效的 PAC 学习

通过交错标注和学习的过程，可以在更少的标注成本下实现计算效率，以高精度去标记收集的数据，从而进行有效的学习算法。

Mar, 2017

马尔可夫决策过程中最佳策略识别的自适应采样

本文研究在马尔可夫决策过程中，通过生成模型来识别最优策略，提出了 KLB-TS 算法，并提供了其样本复杂度的渐近保证。

Sep, 2020

基于信念传播的众包分类最优推断

本文研究了在众包标注过程中，利用 Dawid-Skene 模型恢复错误标注并输出正确标注问题，提出了一种更紧密的下限和 Belief Propagation （BP）算法来解决这一问题。实验结果表明，BP 是所有算法中最优的。

Feb, 2016

从含有噪声的带有单标签数据中学习

提出一种新的算法来联合建模标签和工作者质量，从带有噪声的众包数据中学习，可优化有限的标注资源，解决如何从噪声工作者中学习以及如何分配标注预算来最大化分类器性能等问题。

Dec, 2017

用于排序治疗效果的元学习

通过学习排名的方法，我们提出了一种在预算约束下有效分配治疗的方法，并验证了其在合成和真实数据上的有效性。

May, 2024