验证程序化弱监督的 Fréchet 界限估算

Dec, 2023

验证程序化弱监督的 Fréchet 界限估算

Estimating Fréchet bounds for validating programmatic weak supervision

Felipe Maia Polo, Mikhail Yurochkin, Moulinath Banerjee, Subha Maity, Yuekai Sun

TL;DR我们开发了估算（可能是高维的）分布类的 Frechet 界的方法，其中一些变量是连续值。我们在边际约束的不确定性下建立了计算界限的统计正确性，并通过评估训练有程序化弱监督的机器学习模型（PWS）的性能来展示我们算法的有用性。

Abstract

We develop methods for estimating Fr\'echet bounds on (possibly high-dimensional) distribution classes in which some variables are continuous-valued. We establish the statistical correctness of the computed bounds under uncertainty in the →

estimating fr'echet bounds distribution classes marginal constraints machine learning models programmatic weak supervision

发现论文，激发创造

程序化弱监督综述

本文综述了最近在程序化弱监督（PWS）方面取得的重要进展，特别介绍了该学习范例的简要概述并回顾了在该流程内的各个组成部分的代表性方法，还讨论了解决有限标记数据方案的补充学习范式及相关方法如何与 PWS 结合使用，最后鉴定了一些在该领域中仍未被探讨的关键挑战，希望能够激发未来的研究方向。

Feb, 2022

通用弱监督

该研究提出了一种通用的技术，以实现对任何标签类型的弱监督，同时仍提供实用灵活性、计算效率和理论保证，并应用于以往没有使用弱监督框架解决的重要问题，包括排序学习、回归和超似曲空间中的学习。

Dec, 2021

弱监督升级为结构化预测

在标签输出空间包含二进制或多类标签集以外的结构化预测情况下，本文介绍了一些技术基于伪欧几里得嵌入和张量分解，提供了几乎一致的噪声率估计，并针对常曲率黎曼流形引入了新的不变量作为一致的噪声率估计。

Nov, 2022

端到端弱监督

通过聚合多个弱监督数据源，本研究提出一种直接使用神经网络重参数化概率先验标签，从而直接学习下游模型的端到端方法，取得了端模型性能和弱监督数据依赖性方面的改进。

Jul, 2021

一种基准生成式概率模型用于弱监督学习

本研究提出了基于生成模型的自动标注方法，通过弱监督学习去减轻手动标注的负担，取得了比现有方法更好的性能表现，提高了机器学习项目的生产效率。

Mar, 2023

学习超标签模型以进行编程式弱监督

本文提出一种超级标签模型，通过程序化弱监督方法中的标注函数抽象出来产生训练标签，可以在单个前向传递中推断出每个数据集的基本真实标签。使用了图神经网络，使模型预测对标签函数排列的顺序保持不变，从而在 14 个真实世界中的数据集上表现得比现有的最佳方法更具效率和精度。

Jul, 2022

WeShap: 使用 Shapley 值对弱监督源进行评估

使用程序化弱监督方法自动标记数据并应用 WeShap 值作为评估度量，以提高数据质量并加速训练机器学习模型。

Jun, 2024

快速而又严谨：运用三元组方法加速弱监督

本文提出 FlyingSquid，这是一种弱监督框架，它能够比以前的弱监督方法节省大量时间，在性能和参数估计上得到了验证。

Feb, 2020

AutoWS: 文本分类自动化弱监督框架

提出了 AutoWS 框架用于增加弱监督过程的效率，减少对领域专家的依赖性，使用少量标记的实例和自动创建标注函数的方法来指定嘈杂标签，然后通过一个下游歧别分类器将其聚合成概率标签。

Feb, 2023

融合条件双模 GAN 和编程式弱监督

我们通过使用标签模型生成的伪标签来实现一个噪声感知的分类器，利用噪声感知的分类器的预测结果训练标签模型并生成特定类别的图像。此外，我们还研究了在定义的不确定性预算内使用数据集子集来训练分类器对伪标签的影响。我们将该子集选择问题形式化为对伪标签熵的背包约束下的子模性最大化目标，进行了多个数据集的实验证明了我们方法相对于当前最先进的方法的有效性。

Dec, 2023