弱监督学习的Bandit标签推断
机器学习
2015-09-24 v1 机器学习
摘要
在众多应用中，具备所需粒度级别的标注数据稀缺是一个反复出现的问题。为开发针对各自独立设置的弱监督方法，人们投入了大量精力，这些方法往往经过精心设计，以利用弱监督机制、可用数据形式以及当前任务先验知识的特定属性。遗憾的是，难以将这些方法适配到新任务和/或新数据形式，后者通常需要不同的弱监督机制或模型。我们提出一种通用方法，能够解决任意弱监督学习问题，而无关弱监督机制或模型。该方法将任何现成的强监督分类器转化为弱监督分类器，并允许用户通过损失函数指定任意弱监督机制。我们将该方法应用于若干不同的弱监督机制，并展示出与专为那些设置而设计的方法相比具有竞争力的结果。
引用
@article{arxiv.1509.06807,
title = {Bandit Label Inference for Weakly Supervised Learning},
author = {Ke Li and Jitendra Malik},
journal= {arXiv preprint arXiv:1509.06807},
year = {2015}
}