面向序列数据的多分辨率弱监督
机器学习
2019-10-22 v1 计算机视觉与模式识别
机器学习
摘要
由于人工标注训练数据缓慢且昂贵，近期的工业和科学研究已转向更弱或含噪的监督源。然而，现有的弱监督方法无法对序列数据（如视频）的多分辨率源建模，这类源可对序列中的单个元素或元素集合分配标签。弱监督的一个关键挑战是在不使用标注数据的情况下估计这些源的未知准确率和相关性。多分辨率源由于复杂的相关性和随序列长度增长的样本复杂度而加剧了这一挑战。我们提出 Dugong，首个对具有复杂相关性的多分辨率弱监督源建模以为训练数据分配概率标签的框架。理论上，我们证明 Dugong 在温和条件下能唯一恢复未观测的准确率和相关性参数，并利用参数共享改善样本复杂度。我们的方法为人口规模的生物医学视频库分配了临床医生验证的标签，以 36.8 个 F1 点的优势超越传统监督，并解决了一个机器学习因缺乏专家标注数据而严重受限的关键用例。平均而言，在多个视频和传感器分类任务上，Dugong 比传统监督提高 16.0 个 F1 点，比现有弱监督方法提高 24.2 个 F1 点。
引用
@article{arxiv.1910.09505,
title = {Multi-Resolution Weak Supervision for Sequential Data},
author = {Frederic Sala and Paroma Varma and Jason Fries and Daniel Y. Fu and Shiori Sagawa and Saelig Khattar and Ashwini Ramamoorthy and Ke Xiao and Kayvon Fatahalian and James Priest and Christopher Ré},
journal= {arXiv preprint arXiv:1910.09505},
year = {2019}
}
备注
NeurIPS 2019 (Conference on Neural Information Processing Systems)