Mar, 2015

透过自适应选择比较进行众包特征发现

PDF
TL;DR本文提出一种利用众包进行无监督学习的方法，通过 “二选一同类” 问题查询来发现数据特征，并使用自适应算法从三元组中恢复所有特征，实验证明其效率高于传统非自适应算法。
unsupervised learningcrowdsourcingfeature discoveryadaptive algorithmsimilarity queries
发现论文，激发创造
  • 来自众包三元组比较的多视角表示学习

    本研究提出了一种端到端归纳深度学习框架，解决了多视图表示学习问题，并在众包平台上收集了两个数据集以实验比较我们的方法与传统基线方法的性能。

    Feb, 2023

  • 自适应学习群体核

    该论文介绍了一个算法，可以根据众包数据独立学习 n 个对象之间的相似矩阵，其中算法采样同类三元组的相对相似度数据，并通过支持向量机（SVMs）证明，该算法生成了准确捕捉图像特征的众包核特征。

    May, 2011

  • 众包数据库的主动学习

    本研究提出一种将机器学习与众包数据库结合的主动学习算法，以实现众包应用程序的可扩展性，并通过实验证明：相比于以往的主动学习方案，我们的方法平均只需要人类标记 1-2 个数量级的数据集就能实现与随机采样相同的精度。

    Sep, 2012

  • 相对相似性比较的成本效益型 HIT

    通过研究三元组采样和 crowdsourcing UI 的影响，提出了一种成本效益更好的人工智能任务方法，以帮助机器学习和计算机视觉领域中的嵌入问题。

    Apr, 2014

  • 使用辅助信息的主动感知相似度建模

    本研究提出一种新的主动学习算法，该算法从外部数据中找出最具信息量的三元组比较方式；实验表明该方法需要远少于传统方法的三元组比较数量即可达到同等效果。

    Nov, 2015

  • 从更丰富的人类指导中学习：通过特征查询增强基于比较的学习

    本文针对机器人学习中的目标函数问题，提出了使用特征查询来增强比较查询的方法，并使用派生的主动查询选择算法，在仿真和真实用户测试中验证了指定特征增强查询比比较查询可获得更丰富的信息，可以更快地提取信息，从而更好地匹配用户行为偏好。

    Feb, 2018

  • 大规模真相推断：Bayesian 模型用于裁决高度冗余的众包注释

    本文提出了一种基于贝叶斯图形模型的技术，用于有效地处理高度冗余注释数据，相比于多数真实推断模型，我们的方法得出了更优质的结果。

    Feb, 2019

  • 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

  • 自适应合作相关学习基于半监督多标签特征选择

    提出了一种基于自适应协同相关学习的半监督多标签特征选择方法（Access-MFS），用于解决高维度多标签数据中存在缺失标签样本的维数灾难问题，并通过引入广义回归模型和扩展的不相关约束，在标记数据中选择具有区分性但无关的特征，并同时保持预测和实际标签之间的一致性，从而适应性地学习样本相似性图和标签相似性图，以提高特征选择性能。大量实验结果表明，所提出的 Access-MFS 方法优于其他最先进方法。

    Jun, 2024

  • 通过挖掘多个任务之间的相关性进行半监督特征分析

    该论文提出了一种新颖的半监督特征选择框架，通过挖掘多个任务之间的相关性，并将其应用于不同的多媒体应用程序，从而提高特征选择的性能。

    Nov, 2014