用于行为分析的多样化弱监督源自动合成
机器学习
2022-05-12 v3 计算机视觉与模式识别
摘要
为大型训练集获取标注成本高昂，尤其在需要领域知识的场景（如行为分析）中。弱监督已被研究用于通过任务特定标注函数（LFs）产生的弱标签来扩充真实标签，从而降低标注成本。然而，领域专家仍需为不同任务手工设计不同 LFs，限制了可扩展性。为减少专家工作量，我们提出 AutoSWAP：一种自动合成数据高效的任务级 LFs 的框架。我们方法的关键在于以可复用的领域特定语言及更通用的领域级 LFs 高效表示专家知识，并借此使用最先进的程序合成技术与一小部分标注数据集来生成任务级 LFs。此外，我们提出了一种新颖的结构多样性代价，可高效合成多样化的 LFs 集合，进一步提升 AutoSWAP 性能。我们在三个行为分析领域评估了 AutoSWAP，结果表明 AutoSWAP 仅使用一小部分数据便优于现有方法。我们的结果显示，AutoSWAP 是一种自动生成 LFs 的有效方式，可显著减少行为分析的专家工作量。
引用
@article{arxiv.2111.15186,
title = {Automatic Synthesis of Diverse Weak Supervision Sources for Behavior Analysis},
author = {Albert Tseng and Jennifer J. Sun and Yisong Yue},
journal= {arXiv preprint arXiv:2111.15186},
year = {2022}
}
备注
8 pages, to appear at CVPR 2022