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

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

本文提出了一种序列标注框架，采用辅助训练目标，并通过学习预测数据集中每个词周围的单词进行语言建模，以此学习通用的语义和语法组合模式，并在不需要额外标注或未标注数据的情况下，实现在多个序列标注任务上取得一致的性能提升。

Apr, 2017

依靠众包工人，数据众包平台能够高效地提供大量带标签的数据，本文提出一种名为 SuperLA 的监督标签聚合方法，不需要在推理期间进行模型更新，并且能广泛利用历史标注记录，通过对 22 个公共数据集和 11 个基准方法的比较实验发现，SuperLA 不仅在推理性能上优于所有基准方法，而且在效率方面也具有显著优势。

Nov, 2023

本文提出了一种基于 Consistent Dual Adaptive Prototypical (CDAP) network 的 few-shot sequence labeling 方法，其中包含了 token-level 和 span-level 的网络，通过 consistent loss 让两种网络进行相互学习，并采用一致的贪心算法进行推理，实验结果显示该方法达到了三个基准数据集的最新最优结果。

Jul, 2023

本研究提出了一种用于聚合序列标记的贝叶斯方法，该方法通过对注释者的误差和模拟注释的困难度进行建模，有效地减少了常见的跨度注释错误。 通过在命名实体识别，信息抽取和论证挖掘方面进行 crowdsourced 数据的评估，表明我们的序列模型优于以前的现有技术，并且可以通过更有效的主动学习来降低众包成本。

Nov, 2018

本文提出了一种用众包实现数据序列标注的方法 ——SA-SLC，采用了条件概率模型和可靠性估计等技术优化标注结果，实验结果表明该方法是有效的。

Sep, 2022

本研究提出了一种基于图神经网络的半监督学习方法，通过多次无监督的一致性优化，利用集成学习策略在多个视觉场景解释中实现多任务同时学习的高精度预测表现。

Oct, 2020

利用分类标签、字幕和未标记数据等不同类型的监督实现显著性检测模型的训练，通过 CNet 和 PNet 生成像素级伪标签进行训练，使用注意力传输损失和注意力一致性损失，使弱监督训练的模型性能得到提升，实验表明我们的方法与许多监督方法相比具有较好的性能。

Apr, 2019

该研究提出了一种名为 LA-SCA 的框架，利用序列注释中的专家间的互相不一致性来探索不确定性和歧义，从而有效地保留混淆标签信息。通过建立层次贝叶斯模型来从人群中推断出真实数据并将相对可靠的标注者分组，计算可靠标注者之间的互相不一致性来获取标签混淆信息，并在成本敏感的序列标注中加以应用。实验结果表明，该框架在从人群中推断真实数据、预测未知序列和揭示具有相似可靠性的标注者的标注模式方面均表现出竞争力。

Jan, 2023