面向众包学习的标签选择方法

监督学习，尤其是监督式深度学习，需要大量标注数据。收集大量标注数据的一种途径是使用众包平台，由众多工人执行标注任务。然而，由于众包工人的标注技能及其正确完成任务的能力各异，标注结果常含有标签噪声。众包学习（Learning from Crowds）是一种直接利用众包工人的含噪标注数据训练模型的框架。本研究受针对选择性预测问题提出的 SelectiveNet 启发，提出了一种新颖的众包学习模型。所提方法称为标签选择层（Label Selection Layer），其通过选择器网络自动判定是否使用某工人的标签进行训练，从而训练预测模型。所提方法的主要优势在于，无需显式假设众包标注中的噪声模型，仅需为现有模型添加选择器网络并更改目标函数，即可应用于几乎所有类型的监督学习问题变体。实验结果表明，除回归问题情形外，所提方法性能与当前最优的众包深度学习法之一 Crowd Layer 相当或更优。