通过跨异构任务迁移不完全证据学习改进表征

为未标注数据获取真值标签可能是一项代价高昂的过程，因为其常需易出错的手动劳动。因此，由于手动数据标注的局限性，可用标注数据量日益减少。可通过自动标注或众包标注流程来增加标注数据样本量，但这常在标签集中引入噪声或不确定性，导致监督深度学习方法性能下降。另一方面，弱监督方法在含噪标签集下仍保持鲁棒，或即便在少量标注数据时也有效。本文中，我们评估了一种利用称为“证据迁移”的外部类别证据的表征学习方法，针对称为不完全证据的低量对应证据的有效性。证据迁移是针对可能引入噪声或不确定性的外部未知类别证据的鲁棒解决方案。在我们的实验评估中，针对两类不完全证据，证据迁移被证明在不同不完全程度下均有效且鲁棒。