通过建模常见混淆从众包中学习

众包提供了一种以低成本获取大量标注数据的实用途径。然而，标注者的标注质量差异显著，这给从众包标注中学习高质量模型带来了新挑战。在本工作中，我们提供一种新视角，将标注噪声分解为常见噪声和个体噪声，并基于逐样本-标注者的实例难度与标注者专长区分混淆来源。我们通过具有两类噪声适配层的端到端学习方案实现这一新众包模型：一类在标注者间共享以捕获其共同混淆，另一类归属于各标注者以实现个体混淆。为识别每条标注中的噪声来源，我们使用辅助网络依据实例与标注者选择两类噪声适配层。在合成与真实世界基准上的大量实验证明了我们所提常见噪声适配方案的有效性。