从众包标签中学习有效嵌入：一项教育案例研究
人机交互
2019-08-02 v1 机器学习
机器学习
摘要
表示学习已被证明对众多机器学习任务有帮助。大多数现有表示学习方法的成功往往需要大量一致且无噪声的标签。然而，在许多真实场景中标簽不可得，且通常由众包标注。实践中，鉴于众包工人的专业背景多样，众包标签通常不一致，且众包标签数量非常有限。因此，直接采用众包标签用于现有表示学习算法是不恰当且次优的。在本文中，我们研究上述问题并提出一种新颖的带众包标签的表示学习框架，即“RLL”（\textbf{R}epresentation \textbf{L}earning with crowdsourced \textbf{L}abels），其通过联合且连贯地解决由有限且不一致的标签所带来的挑战，来学习带众包标签的数据表示。所提表示学习框架在两个真实世界教育应用中进行了评估。实验结果展示了我们的方法在从众包有限标注数据中学习表示上的益处，并表明 RLL 能够优于最先进的基线。此外，对 RLL 进行了详细实验以充分理解其关键组件及相应性能。
引用
@article{arxiv.1908.00086,
title = {Learning Effective Embeddings From Crowdsourced Labels: An Educational Case Study},
author = {Guowei Xu and Wenbiao Ding and Jiliang Tang and Songfan Yang and Gale Yan Huang and Zitao Liu},
journal= {arXiv preprint arXiv:1908.00086},
year = {2019}
}