Jun, 2023
具有漂移数据的弱监督自适应方法
An Adaptive Method for Weak Supervision with Drifting Data
TL;DR提出了一种自适应方法,在非稳态环境下提供正式质量保证的弱监督学习,通过使用提供每个数据点的正确分类的独立嘈杂信号的弱监督学习源来推断一系列数据的未知标签,并针对准确性可能随时间漂移的非稳态情况进行了重点研究,该算法不需要先验假设并且基于输入进行自适应调整。该算法保证了在过去观察窗口内,最小化估计误差方差和漂移误差的平衡下,弱监督源的当前准确性。实验表明,与固定窗口大小策略不同,该方法可动态选择窗口大小,以保持良好性能。