一种用于无监督集成学习的深度学习方法
机器学习
2017-04-24 v1 机器学习
摘要
我们展示了深度学习方法如何应用于众包和无监督集成学习的场景中。首先，我们证明了流行的 Dawid 和 Skene 模型（该模型假设所有分类器条件独立）等价于具有单个隐藏节点的受限玻尔兹曼机（RBM）。因此，在该模型下，真实标签的后验概率可以通过训练好的 RBM 来估计。接下来，为了处理分类器可能严重违背条件独立性假设的更一般情况，我们提出应用基于 RBM 的深度神经网络（DNN）。在各种模拟和真实世界数据集上的实验结果表明，我们提出的 DNN 方法优于其他最先进的方法，尤其是在数据违背条件独立性假设时。
引用
@article{arxiv.1602.02285,
title = {A Deep Learning Approach to Unsupervised Ensemble Learning},
author = {Uri Shaham and Xiuyuan Cheng and Omer Dror and Ariel Jaffe and Boaz Nadler and Joseph Chang and Yuval Kluger},
journal= {arXiv preprint arXiv:1602.02285},
year = {2017}
}