众包中的错误率界限与迭代加权多数投票法

众包已成为一种有效且流行的人力计算工具，用于标记大规模数据集。由于工作者可能不可靠，众包中通常将多个工作者分配给同一任务，并聚合标签以获得高质量结果。本文在 Dawid-Skene 众包模型下，为一般聚合规则的错误率（概率意义和期望意义下）提供了有限样本指数界限。这些界限适用于多类标记，并可用于分析多种聚合方法，包括多数投票、加权多数投票以及预言机最大后验 (MAP) 规则。我们表明，在特定设定下，预言机 MAP 规则近似优化了加权多数投票平均错误率的上界。我们提出了一种迭代加权多数投票 (IWMV) 方法，该方法优化了错误率界限并近似于预言机 MAP 规则。其单步版本具有可证明的错误率理论保证。IWMV 方法直观且计算简单。在模拟数据和真实数据上的实验结果表明，IWMV 的表现至少与最先进方法相当，且其计算成本远低于最先进方法（快约一百倍）。