Aug, 2023

学习从众的标签选择方法

PDF
TL;DR使用 Learning from Crowds 框架中的 Label Selection Layer 方法，通过选择性网络确定是否使用工人的标签进行训练，提供了一种有效的解决 Crowd annotations 中的标签噪声问题的方法。实验证明该方法在几乎所有的监督学习问题中都能获得与或优于当前最先进的方法相当的性能。
supervised learningcrowdsourcing platformlearning from crowdslabel selection layerselector network
发现论文，激发创造
  • 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

  • 从含有噪声的带有单标签数据中学习

    提出一种新的算法来联合建模标签和工作者质量，从带有噪声的众包数据中学习，可优化有限的标注资源，解决如何从噪声工作者中学习以及如何分配标注预算来最大化分类器性能等问题。

    Dec, 2017

  • 从随机到有知识的数据选择：基于多样性的方法优化人工标注和少样本学习

    在自然语言处理中，获取用于监督学习的带注释数据是一个重要挑战。本文提出了一种自动和明智的数据选择架构，用于建立用于少样本学习的小型数据集，以解决众包标注的问题。

    Jan, 2024

  • 众包的监督集体分类

    本论文提出一种有监督的集成分类算法，旨在确定训练数据（例如，具有已知标签的项目）中可靠的标注者（即加权因子），使用马鞍点算法来确定每个标注者的可靠性，研究结果表明，有监督的方法可以比无监督的方法获得更好的分类准确性，而我们提出的方法优于其他算法。

    Jul, 2015

  • 通过生成增强改进众包学习

    本文研究了如何使用数据增强处理众包数据中的稀疏性问题，特别地，我们提出了使用生成对抗网络来直接学习分类器，以解决存在于众包数据中的标注不足问题。在三个现实世界数据集上进行的广泛实验和与当前最先进的众包学习方法的比较证明了我们的数据增强框架的有效性，展示了我们算法在低成本众包中的潜力。

    Jul, 2021

  • 面向长期标注者：一个监督的标签聚合基线

    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

  • 通过建立共同混淆模型学习众包数据

    本文提出了一种新的众包模型，通过对每个实例和注释者的难度和能力进行分析，将注释噪声分解为公共噪声和个体噪声，并使用两种噪声自适应层实现端到端的学习解决方案来识别每个注释中的噪声来源。

    Dec, 2020

  • 从少量标记数据中学习人群中的计数

    通过半监督学习和高斯过程估算建立虚拟基准，实现充分利用未标注样本数据，学习缩减标注数据的技术，在人群计数领域的多个数据集上表现出了优异的性能，且可实现从虚拟数据集到真实数据集（综合 - 真实转移）的迁移。

    Jul, 2020

  • 群体参与：一种弱监督深度学习框架用于从 Web 数据中学习

    本文介绍了一种鲁棒性强的、端到端的深度弱监督学习框架，该框架通过随机分组和注意力机制来有效减少 Web 图片注释的负面影响，实现了对嘈杂标签的有效抑制和准确图像标注，实验证明了该方法的卓越性能。

    Nov, 2016

  • 具有训练的跨领域意识的众包注释工作者选择

    本文介绍了一种名为 “跨领域感知的工人选择与训练方法” 的分配方案，该方案考虑了工人在其他任务中的历史表现以及工人在任务中通过学习获得的动态表现，并通过两个评估模块统计分析了跨领域相关性和工人的学习收益。实验证明，该方法在真实和合成数据集上均超越了基准方法。

    Jun, 2024