存在策略性噪声标注者时的成本最优 PAC 学习机制设计
机器学习
2012-10-19 v1 计算机科学与博弈论
机器学习
摘要
我们考虑从多个标注者（每个标注者具有各自的分类噪声率）获取的噪声标记示例中学习二分类器的概率近似正确 (PAC) 学习问题。首先，我们考虑完全信息场景，即学习者知道所有标注者的噪声率。针对该场景，我们推导了最小分歧算法 (MDA) 关于需从每个标注者处获取的标记示例数量的样本复杂度界。接下来，我们考虑不完全信息场景，其中每个标注者都是策略性的，并将各自的噪声率作为私有信息持有。针对该场景，我们以非平凡的方式沿着 Myerson 最优拍卖设计框架的思路，设计了一种成本最优的采购拍卖机制。该机制满足激励相容性，从而促使学习者能够 eliciting 所有标注者的真实噪声率。
引用
@article{arxiv.1210.4859,
title = {Mechanism Design for Cost Optimal PAC Learning in the Presence of Strategic Noisy Annotators},
author = {Dinesh Garg and Sourangshu Bhattacharya and S. Sundararajan and Shirish Shevade},
journal= {arXiv preprint arXiv:1210.4859},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Eighth Conference on Uncertainty in Artificial Intelligence (UAI2012)