CrowdTeacher：面向表格数据带噪声标注与样本特定扰动的鲁棒协同教学
机器学习
2021-12-07 v1 人工智能
摘要
在许多领域中，带有真实标签的样本可能并不总是可得。尽管从众包标签中学习已被探索，现有模型在稀疏、不可靠或分歧标注存在时仍可能失效。协同教学（Co-teaching）方法通过采用两个分类器、在每个批次中基于彼此的置信样本进行训练，已在带噪声标签的计算机视觉问题上展现出可观改进。受训练过程中分离置信与不确定样本这一思想的启发，我们将其拓展至众包问题。我们的模型 CrowdTeacher 利用如下理念：输入空间模型的扰动可提升分类器对噪声标签的鲁棒性。将众包标注视为噪声标注来源，我们基于聚合标注的确定性对样本施加扰动。扰动后的样本被送入一个经调优亦能适配较小表格数据的协同教学算法。我们展示了 CrowdTeacher 在多种标签密度设定下对合成与真实数据集所达成的预测能力增益。实验表明，我们提出的方法胜过了建模个体标注再加以组合的基线、同时学习分类器与推断真值标签的方法，以及通过常见真值推断方法使用聚合标签的协同教学算法。
引用
@article{arxiv.2103.17144,
title = {CrowdTeacher: Robust Co-teaching with Noisy Answers & Sample-specific Perturbations for Tabular Data},
author = {Mani Sotoodeh and Li Xiong and Joyce C. Ho},
journal= {arXiv preprint arXiv:2103.17144},
year = {2021}
}