Jul, 2018

专家一致性存在下的有选择标签学习

PDF
TL;DR本论文探讨选择性标签下算法辅助决策学习的问题，介绍为什么标准方法无法有效处理选择性标签的普遍选择偏误问题，提出了一种数据增强方法，既可以利用专家一致性减轻选择性标签导致的部分盲目性，也可以经验验证学习是否会导致易受系统性歧视的不可靠模型。
发现论文，激发创造
  • 异质决策者下的选择性标签学习：一种工具变量方法

    本文针对部分标注的学习问题进行研究，提出了一种基于工具变量框架的加权学习方法，分析了预测规则全人群风险的端点识别条件，并在半合成金融数据集上进行了实验，证明了方法在选择偏差存在时具有更优异的性能。

    Jun, 2023

  • 伪标签选择是一个决策问题

    伪标记、半监督学习、确认偏差、贝叶斯框架、决策理论

    Sep, 2023

  • 无监督选择性标记以实现更有效的半监督学习

    本文介绍了一种基于聚类原型的无监督选择性标注方法，通过它来提高半监督学习的效率。该方法能够在没有标记数据的情况下，选择代表性和多样性数据作为标记数据，显著改进了现有的半监督学习方法的性能。

    Oct, 2021

  • 超越仅基于随机选择的假设：学习正类和未标记数据

    本文中，我们探讨了如何在正样本和未标注样本数据集的有选择偏差中进行有监督学习，并提出了一种基于经验风险的方法来加入标签机制和解决未知标签机制的情况，实验证明，即使在未知标签机制的情况下，考虑可能存在的选择偏差也会提高分类器的训练效果。

    Sep, 2018

  • 从有偏选择标签到伪标签：一种期望最大化学习框架应对有偏决策

    我们提出了一种名为不平等审查的算法，用于处理标签的选择性问题，并通过理论分析和验证实验证明了其在模型性能上的好处。

    Jun, 2024

  • 通过解耦置信学习缓解标签偏差

    通过提出一种修剪方法，Decoupled Confident Learning (DeCoLe)，来解决标签偏见问题，并在仇恨言论检测领域应用其性能，成功识别了偏见标签并超过其他方法。

    Jul, 2023

  • 动态学习系统中的算法审查

    在动态学习系统中，选择性标记会导致检查，即对一个或多个子组中分配的持续负面预测。我们正式化了检查，展示了它如何出现，并强调了检查检测的困难。我们考虑对检查的保障 - 救济和随机探索 - 两者都确保我们收集标签以观察到否则不会被观察到的点。结果技术允许来自被审查小组的示例进入培训数据并更正模型，我们的结果突显了检查的未测量危害，并证明了在一系列数据生成过程中缓解策略的有效性。

    May, 2023

  • 无标记数据在公平决策中的应用

    该论文提出了一种基于变分自编码器的新方法，用于实现公平的决策制定，通过使用标记和未标记数据来学习无偏见的数据表示并在在线过程中使用这些表示来学习决策策略，实现了较低方差的最优（公平）政策，并比以前的方法提供了更高的公平性和效用。

    May, 2022

  • 利用专家一致性提高算法决策支持能力

    探讨了历史专家决策在机器学习中的应用，结合基于影响函数的方法，提出了训练时标签合并的方法，以及通过混合和推迟模型来利用推断的一致性，并以儿童虐待热线筛选为背景，证明所提出的方法可以显著提高高风险案件的预测准确率。

    Jan, 2021

  • 伪标记中选择性的无监督多源自由领域自适应的优势

    该研究提出了一种利用信息论界限和特征对齐技术，将目标数据划分为伪标记子集和无标记子集以实现平衡的无监督域自适应方法，取得了比现有方法更好的性能表现。

    Feb, 2022