Aug, 2018

基于众包的监督主题模型用于分类与回归学习

PDF
TL;DR本文提出了两种基于监督学习的主题模型，分别用于分类和回归，能够考虑到实践中在不同的标注者之间遇到的多样性和偏见。同时，我们还开发了一种有效的随机变分推断算法，能够适应非常大的数据集，并在实验中证明了该模型相对于现有技术的优越性。
supervised topic modelsstochastic variational inference algorithmlarge datasetscrowd learningdocument analysis
发现论文，激发创造
  • 带有约束条件的贝叶斯众包

    本文探讨半监督众包分类在标签约束和实例约束两种情况下的贝叶斯算法，该算法基于变分推断，可以比无监督众包分类更有效地对人工注释信息进行聚合，该算法在多个众包数据集上的分析和实证验证了其表现的可量化提升。

    Dec, 2020

  • 多标签文档分类的统计主题模型

    本文探讨生成性统计主题模型在多标签文档分类中的应用，相对于判别性模型，在包含大量稀有标签和高度倾斜标签分布等实际数据集的分类问题中有优越性。实验结果表明，相较于判别性方法，概率生成模型在多标签分类方面表现优异。

    Jul, 2011

  • 监督式主题模型

    介绍了一种新的统计模型 —— 监督潜在狄利克雷分配（SLDA），应用变分方法处理难以计算的后验期望，解决回答类型的多样性并预测新文档的回答数值。与现代正则化回归以及无监督 LDA 分析相比，SLDA 有显著优势。

    Mar, 2010

  • 循环中的人类：如何通过手动标记每个类别中仅有的几个文档来有效创建连贯的主题

    本文研究表明，结合简单的主题提取方法的有监督少样本学习可以在仅使用每个类别少量标记文档的情况下，优于无监督主题建模技术，生成连贯的主题。

    Dec, 2022

  • 主题标签的自动生成

    本文提出了一种基于序列到序列神经网络的方法，用于为主题生成描述性标签，同时使用合成的数据集进行训练和测试，并通过与人工标注的标签进行比较评估该方法。

    May, 2020

  • 众包深度学习

    本文提出了一种基于 EM 算法和众包技术的神经网络训练模型，能够直接从多个标注者的嘈杂标签数据中进行有监督学习，并能够捕捉不同标注者的可靠性和偏见，最终在多个领域获得了新的最优结果。

    Sep, 2017

  • 通过邻域聚合学习主题模型

    本文利用网络视角研究主题模型，将节点与词语，边与文档内出现的词语之间的关系相对应，旨在探究如何将真实信号融入其模型中，并改善模型分类表现。

    Feb, 2018

  • 使用数据增强的改进贝叶斯逻辑回归监督主题模型

    本文介绍使用正则化常量和 Gibbs 采样算法的辅助泊松 - 伽马变量，增强 PF 主题模型的性能。实证结果表明，该算法可以显著提高预测性能和时间效率

    Oct, 2013

  • 社交媒体辅助危机管理中有监督分类和无监督主题建模之间的桥梁

    采用 BERT 嵌入并进行微调可以适应新危机，发现新主题，并从受监督训练中保留相关类别，利用双向自注意力提取主题关键词。其在人工和自动评估中胜过传统主题模型。

    Mar, 2021

  • 基于预测限制的抗抑郁药推荐主题模型

    本文介绍了一种基于监督信号的议题模型框架，该框架用于训练潜在狄利克雷分配，旨在平衡高维数据的忠实生成解释和相关类标签的准确预测，并将该框架应用于预测抑郁药物使用，相较于传统的监督议题模型和基于高维逻辑回归的药物推荐任务中，本文提出的方法表现更好。

    Dec, 2017