通过联合建模条目与标注者提升标签质量
人工智能
2021-06-22 v1 社会与信息网络
摘要
我们提出一个完全贝叶斯框架，用于从含噪声的标注者中学习真值标签。我们的框架通过将一个生成式贝叶斯软聚类模型在标签分布上分解为经典的 David 和 Skene 联合标注者-数据模型来保证可扩展性。此前沿此方向的研究既未完全纳入标签分布，也未探索仅按标注者或仅按数据聚类。我们的框架将以下所有特性纳入其中：(1) 一个图模型，旨在为任意黑盒监督学习算法提供更好的标注者响应真值估计作为输入；(2) 一个独立的神经模型，其内部结构捕捉了图模型的诸多特性。我们使用这两个模型进行监督学习实验，并将它们与一个基线模型及一个最先进模型的性能进行比较。
引用
@article{arxiv.2106.10600,
title = {Improving Label Quality by Jointly Modeling Items and Annotators},
author = {Tharindu Cyril Weerasooriya and Alexander G. Ororbia and Christopher M. Homan},
journal= {arXiv preprint arXiv:2106.10600},
year = {2021}
}