本研究提出 TREBA 方法，使用多任务自监督学习，以学习具有样本效率的轨迹嵌入进行行为分析，并通过任务编程将结构化领域知识直接编码到模型中，以降低领域专家的注释负担，同时提高准确性，并在小鼠和果蝇数据集上证明了其有效性。

Nov, 2020

本研究提出了一种基于序列分析方法对野生动物数据进行行为注释，特别是对社会群体的集体行为进行分类的方法，并在真实数据集上进行了评估，显示出相比基线方法显著的准确度提高。

Jul, 2019

利用基于实例分割的迁移学习的方法实现动物行为分析，能够跟踪多个动物并在实验室录制的视频中进行行为分析，其在动物行为分析任务中达到了人类能力水平，使用少量标记图像进行训练，可用于推进动物行为分析技术的研究和实践。

Dec, 2023

本文重新实现并评估了 18 种检测可能存在的注释错误的方法，并在 9 个英文数据集上进行了评估，同时提供了评估协议和实现的开源软件包，以促进未来的研究和再现性。

Jun, 2022

本研究探讨了在医学影像分析中利用机器学习算法进行异常检测的方法，重点讨论了算法的性能如何取决于标注者的数量和标签的质量。我们提出了一种简单有效的方法，通过聚合不同水平标注者的标注来解决单个标注者主观性标注的问题。通过估计多个标注的隐藏标签并使用重新加权的损失函数来提高检测性能，我们旨在提高异常检测任务中预测模型的效率。本研究在一个真实的医学影像数据集上进行了评估，并超越了不考虑标注者间差异的相关基线。

Mar, 2023

通过研究多注释者模型的功效，我们的多任务方法将预测每个注释者的判断作为单独的子任务并共享任务的共同学习表示来解决注释者间的不一致性问题，并且表明这种方法比在训练之前聚合标签的方法在七个不同的二元分类任务中产生了相同或更好的性能。此外，在我们的方法中，我们证明我们可以估计不确定性，这些不确定性更好地与注释不一致性相关联，而这种模型不确定性特别适用于知道何时不作出预测的部署场景。

Oct, 2021

通过新的基于模型的方法，我们提出了一种在多任务场景中为每个文本选择逐个注释的任务的方式，从而最大程度地减少注释数量，并且几乎不损失知识，同时还强调了根据注释任务的主观性收集多样化数据以有效训练模型的需求，并通过在单任务和多任务场景中评估模型来衡量主观任务之间的关系，此外，对于某些数据集，仅依靠我们模型预测的标签进行训练，可作为自监督学习规范化技术，提高任务选择的效率。

Dec, 2023

通过创建标注者表征（标注者嵌入）和他们的标注（标注嵌入），并为每个表征分配可学习矩阵，我们的方法显著提高了各种自然语言处理基准测试的模型性能。通过捕捉个体标注者的独特倾向和主观性，我们的表征有助于民主化 AI，并确保 AI 模型包容多元化观点。

May, 2023

本文介绍了一个包含多个模型物种，覆盖了一系列不同行为分析任务的实验数据，通过引入大规模的多代理轨迹数据集，改进了行为表征。

Jul, 2022

我们提出了一种能够自动注释手势类别并识别其时间范围的新型注释模型，通过实验验证，该模型在手势分类准确性（3-4% 的改进）和定位准确性（71-75% 的改进）方面超过了基准模型，我们相信这种注释模型对于使用非标注数据集训练下游手势识别模型有巨大的潜力。

Jan, 2024