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

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

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

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。

Mar, 2014

研究如何通过随机模型和基于子模块的贪婪算法来选择训练示例以教导学习者分类规则，并证明该策略具有较高的实用性和有效性。

Feb, 2014

本文介绍了一种名为 “跨领域感知的工人选择与训练方法” 的分配方案，该方案考虑了工人在其他任务中的历史表现以及工人在任务中通过学习获得的动态表现，并通过两个评估模块统计分析了跨领域相关性和工人的学习收益。实验证明，该方法在真实和合成数据集上均超越了基准方法。

Jun, 2024

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

本论文提出一种有监督的集成分类算法，旨在确定训练数据（例如，具有已知标签的项目）中可靠的标注者（即加权因子），使用马鞍点算法来确定每个标注者的可靠性，研究结果表明，有监督的方法可以比无监督的方法获得更好的分类准确性，而我们提出的方法优于其他算法。

Jul, 2015

我们探索了一种用于动态公平资源分配问题的主动学习方法，该方法假设在在线资源分配过程的每个时期，仅从选择的代理人子集中获取反馈。尽管存在这种限制，我们提出的算法在包括资源分配问题中常用的公平度量和匹配机制中的稳定性考虑等各种度量中，提供了与时间周期数次线性相关的后悔界限。我们算法的关键洞察在于通过利用对决性的上限和下限置信区间来自适应地识别最具信息量的反馈。通过这种策略，我们证明高效的决策不需要大量的反馈，并为各种问题类别产生高效的结果。

Jun, 2024

本研究针对社交媒体研究中标注过程耗时，使用了基于活跃学习和众包方法的策略，评估了 4 种不同的活跃学习策略对于自动分类的影响，结果表明众包可以有效提高标注的质量，而活跃学习则有助于减少所需的推文数量。

Mar, 2020