基于混合专家的多任务从众监督学习
人工智能
2025-03-13 v2 机器学习
摘要
现有的众包真理推断方法旨在将冗余标签和项目映射到真实值。它们将真实值视为隐藏变量，利用统计或深度学习基于 worker 行为模型的真理推断方法。然而，依赖真实值隐藏变量的 worker 行为模型忽略了 worker 在项目特征层面的行为，导致对 worker 行为的描述不够精确，进而影响真理推断的质量。本文提出一种从众获取多任务监督学习的新范式，消除对 worker 行为模型中项目真实值的建模需求。在此范式下，本文提出一种基于混合专家的从众获取多任务监督学习模型（MMLC）。在 MMLC 框架内，提出两种真理推断策略。第一种策略称为 MMLC-owf，利用 worker 谱空间中的聚类方法识别 oracle worker 的投影向量。随后，基于该向量生成的标签被视为推断出的真实值。第二种策略称为 MMLC-df，利用 MMLC 模型填充众包数据，从而提高现有真理推断方法的效果。实验结果表明，MMLC-owf 在 state-of-the-art 方法中取得优异性能，MMLC-df 能提高现有真理推断方法的质量。
关键词
引用
@article{arxiv.2407.13268,
title = {Mixture of Experts based Multi-task Supervise Learning from Crowds},
author = {Tao Han and Huaixuan Shi and Xinyi Ding and Xiao Ma and Huamao Gu and Yili Fang},
journal= {arXiv preprint arXiv:2407.13268},
year = {2025}
}