快速 Dawid-Skene：情感分类的快速投票聚合方案

KDDMar, 2018

快速 Dawid-Skene：情感分类的快速投票聚合方案

Fast Dawid-Skene: A Fast Vote Aggregation Scheme for Sentiment Classification

Vaibhav B Sinha, Sukrut Rao, Vineeth N Balasubramanian

TL;DR提出了一种基于 EM 算法的新的、简单且有效的标注数据聚合算法，用于实时情感标注，能够快速收敛，准确性与 Dawid-Skene 算法相当，速度约为 Dawid-Skene 算法的 8 倍。

Abstract

Many real world problems can now be effectively solved using supervised machine learning. A major roadblock is often the lack of an adequate quantity of labeled data for training. A possible solution is to assign the task of labeling data to a crowd, and then infer the true label using

supervised machine learning labeled data aggregation methods dawid-skene algorithm real-time sentiment annotation

发现论文，激发创造

众包标注估计基础真相的极小最优收敛速率

本文证明了 Dawid-Skene 估计器的投影 EM 算法收敛速率的最优性，并通过一个比较研究与多数投票相比，展示了 Dawid-Skene 估计器的优势与局限性。

Oct, 2013

光谱方法遇上 EM: 一种可证明优化的众包算法

本研究提出了一种用于多类众包标注问题的两阶段高效算法，第一阶段使用谱方法获取参数的初始估计，然后第二阶段通过 EM 算法优化 Dawid-Skene 估计器的目标函数来进一步细化估计，实验结果表明该算法具有最优收敛速率。

Jun, 2014

基于成对共现的众包：可识别性和算法

本文提出了一个使用注释器响应的成对共现的框架，并展示了算法的实验结果，该算法在多种情况下优于现有算法。

Sep, 2019

一种可证明改进的众包算法，适用于难和易任务

本文提出了一种基于谱方法的标签聚类算法，从而在众包任务中提高 Dawid-Skene 模型推理个体正确标签的准确度。

Feb, 2023

减轻选民属性偏差以实现公正的意见聚合

使用包括意见聚合和公平选择在内的方法，平衡持不同意见的投票者属性以实现公正的意见聚合，并使用软标签评估聚合结果的公正性。

Jul, 2023

扩展的 Dawid-Skene 模型：融合来自多个数据模式的信息

通过 Inter-Schema AdapteR 来解决标签不一致问题，使得可以在异构模式下学习，避免重新注释数据，同时在老鼠行为分析数据集中达到了比 Dawid-Skene 模型更好的表现。

Jun, 2019

众包的极小化误差率分析及其在工人聚类模型中的应用

该研究针对实际的众包模型和更广泛类别的众包模型，推导出更实用的 Dawid 和 Skene 模型的最小化极差错误率，并提出了一种更实用的工人聚类模型，得到的实验结果与理论分析结果在最小极差错误率下具有较强的相似性。

Feb, 2018

基于置换的众包标注模型：最优估计与鲁棒性

本文提出一种排列模型 - 用于聚合和去噪众包标注数据，该模型是对经典的 Dawid-Skene 模型的重要推广，并介绍了一种新的误差度量方法，用于比较不同的估计器。我们设计了两种计算有效的估计器：WAN 估计器和 OBI-WAN 估计器，并对它们的性能进行了非渐近界限的界定。最后通过合成模拟和实验数据验证了理论结果。

Jun, 2016

基于群众标注的多视角知识蒸馏用于领域外泛化

本文提出了新的方法以通过温度调节和 Jensen-Shannon 中心法从众包注释中汇总多个视角的分布，从而获得软标签。我们展示了这些聚合方法在四项自然语言处理任务中表现出最佳或接近最佳的性能，同时还验证了这些方法在任务不确定性估计上表现最佳。

Dec, 2022

用于方面级情感分类的双重关注模型

提出了一种新的双重注意模型 (DAM) 用于方面级情感分类，该模型使用依存标签作为关注机制以提高性能，并在 SemEval 2014 和 Twitter 数据集上进行实验，取得了良好的效果。

Mar, 2023