本文旨在研究深度学习模型中标注数据的影响因素，以及如何通过监测数据标注质量来提高算法精度和准确性。通过多个数据标注实验，作者发现标注过程、训练数据和评估数据等因素是确保 AI 系统可信度的基本要素。

Dec, 2019

本文介绍了 LEAN-LIFE，一种基于 web 的标注框架，它具有易于使用的 UI，可以为序列标记和分类任务提供所需的标签和决策解释，并在三个流行的 NLP 任务上显示，使用这种增强型监督方法可减少标注实例数量，并且提高了超过 5-10 个百分点的基线 F1 分数。

Apr, 2020

介绍了 DatasetGAN 方法，利用 GAN 生成合成数据集，仅需少量标注样本，就能训练出能够与传统无监督方法相匹敌的语义分割模型，并在人脸和汽车语义分割任务上取得了领先的性能。

Apr, 2021

本文研究了一种高效的策略收集多类别图像集的分类标签，使用自监督学习技术并将标注问题视为半监督学习问题，并提出了有效的标注指南，用此方案对ImageNet100图像集进行模拟实验，结果表明每张图像平均仅需0.35个标注，即可标注到80%的top-1准确率，相比之前的工作和手动注释，分别提高了2.7倍和6.7倍。

Apr, 2021

该研究探讨了使用语言模型作为一种合成无标注文本的来源来进行自然语言处理，并提出了“生成、注释和学习（GAL）”的通用框架，通过对合成文本进行知识蒸馏、自训练和少样本学习应用来生成高质量特定任务文本，最终在多个应用中取得了显著的收益。

Jun, 2021

本文旨在探讨在标签空间中通过增强技术进行数据集的加入，并提出了一种通过人工创建的知识图谱、递归神经网络和策略梯度等技术成功实现标签空间下数据集的加入的新技术。经过图像和文本分类的实证结果证明了我们方法的有效性。

Jun, 2021

GELDA是一个几乎自动的框架，利用大规模生成语言模型（LLMs）为一个领域提出和标记各种属性，并使用LLMs决定在图像中对每个属性进行分类的视觉语言模型（VLMs），结果显示GELDA能够生成准确和多样的视觉属性建议，并发现偏见，即类标签和背景特征之间的混淆，它可以作为一种辅助工具帮助人们以一种廉价、低成本和灵活的方式分析数据集。

Nov, 2023

本研究探讨了一种新颖的“预训练标注-弱监督学习”范式，通过在图像分类任务中基于CLIP使用多个提示模板对图像样本进行标注，进而获得多个候选标签以形成含噪部分标签的数据集，并设计了一种协作一致性正则化算法来解决这个问题。实验表明，该方法在无需额外标签信息的情况下显著优于零样本推理，优于其他弱监督学习和少样本微调方法，并获得了更小的模型。

May, 2024

本研究解决了在高质量数据集创建中的挑战，包括注释错误和人力成本高昂的问题。提出的自动数据集构建（ADC）方法通过利用大型语言模型实现样本收集和类别设计，大幅提高了数据生成的效率，减少了人工注释的需求。结果展示了该方法在提升训练数据质量和模型训练稳健性方面的潜力，尤其在标签噪声检测和类不平衡学习的基准数据集上具有重要贡献。

Aug, 2024

本研究解决了机器学习模型训练过程中的人工标注成本高和耗时长的问题。通过介绍合成训练数据、主动学习和混合标注等策略，提供了优化数据标注的实践方法，并通过实际案例分析说明了各策略的优缺点及最佳实践。研究的主要发现是，采用混合标注设置可以有效提高标注效率和数据集质量。

Nov, 2024