基于稀疏交互工人的众包
机器学习
2017-06-22 v1
摘要
我们考虑在对称噪声下的单硬币众包二分类模型中，从工人-任务交互数据（标签未知）估计工人技能。我们定义（工人）交互图，其节点为工人，两个节点之间的边表示两名工人是否参与了同一任务。我们证明，当且仅当交互图的适当极限版本不可约且具有奇环时，技能才是渐近可辨识的。然后，我们基于不可约、非周期交互图上的观测，构建一个加权秩一优化问题来估计技能。我们提出一种梯度下降方案，并证明对于此类交互图，估计值渐近收敛到全局最小值。我们根据交互图的无符号拉普拉斯矩阵的谱性质刻画了梯度方案的噪声鲁棒性。随后我们证明，基于估计技能的插件估计器在多个真实世界数据集上达到了最先进的性能。我们的结果对秩一矩阵补全问题有意义：梯度下降可证明地基于具有单个奇环的连通图的 个非对角观测恢复 秩一矩阵。
引用
@article{arxiv.1706.06660,
title = {Crowdsourcing with Sparsely Interacting Workers},
author = {Yao Ma and Alex Olshevsky and Venkatesh Saligrama and Csaba Szepesvari},
journal= {arXiv preprint arXiv:1706.06660},
year = {2017}
}