关键词programmatic weak supervision
搜索结果 - 7
- 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。
- AAAI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 - 验证程序化弱监督的 Fréchet 界限估算
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。
- 大型语言模型能否设计准确的标签函数？
通过使用预训练语言模型，本研究介绍了 DataSculpt，一个利用 PLMs 自动生成 label functions 的交互式框架，并评估了其性能在 12 个现实世界的数据集上的表现。
- ICLR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 - 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 - 多个噪声部分标注者中学习
本文提出了一种基于概率生成模型的能够估计多个噪声偏差的部分标注工具并扩展了程序化弱监督的基础，通过对 3 个文本分类和 6 个对象分类任务的评估，证明了部分标注的效果可达到 8.6% 的平均准确率提高，进而探讨了部分标注在零样本对象分类任务