基于弱监督的标签传播

半监督学习和弱监督学习是重要的范式，旨在减少当前机器学习应用对标注数据日益增长的需求。在本文中，我们对经典标签传播算法（LPA）（Zhu & Ghahramani, 2002）进行了新颖的分析，该分析还利用了有用的先验信息，具体而言即未标注数据上的概率假设标签。我们提供了一个误差界，它同时利用了底层图的局部几何性质和先验信息的质量。我们还提出了一个框架来融合多个含噪信息源。特别地，我们考虑弱监督的设置，其中我们的信息源是弱标注器。我们在多个基准弱监督分类任务上展示了我们方法的能力，显示出相对于现有半监督和弱监督方法的改进。