基于强化标注的弱监督标签增强方法
机器学习
2022-04-14 v1
摘要
弱监督(WS)是传统监督学习的替代方案,用以满足对真实标签的需求。数据编程是一种实用的 WS 方法,它允许使用标注函数(LFs)以编程方式标注数据样本,而无需逐个手工标注数据点。然而,现有方法未能充分利用编码到 LFs 中的领域知识,尤其在 LFs 覆盖率较低时。这是由于常见的数据编程流程在生成过程中忽略了利用数据特征。本文提出一种称为强化标注(RL)的新方法。给定未标注数据集和一组 LFs,RL 基于样本间的相似性将 LFs 的输出扩展到 LFs 未覆盖的情况。因此,RL 可为训练最终分类器带来更高的标注覆盖率。在多个领域(YouTube 评论分类、葡萄酒质量以及天气预测)上的实验取得了可观的收益。与最先进的数据编程方法相比,新方法在准确率上提升高达 +21 个百分点,在 F1 分数上提升高达 +61 个百分点。
引用
@article{arxiv.2204.06436,
title = {Label Augmentation with Reinforced Labeling for Weak Supervision},
author = {Gürkan Solmaz and Flavio Cirillo and Fabio Maresca and Anagha Gode Anil Kumar},
journal= {arXiv preprint arXiv:2204.06436},
year = {2022}
}