通过置信传播在众包分类中进行最优推断
机器学习
2017-01-13 v4 机器学习
摘要
众包系统因能用低薪工作者解决大规模标注任务而流行。我们研究在流行的Dawid-Skene模型下从可能出错的众包标签中恢复真实标签的问题。为解决该推断问题，近期提出了几种算法，但已知最佳保证仍显著大于基本极限。我们通过引入更紧的基本极限下界并证明置信传播(BP)精确匹配该下界来弥合此差距。BP的保证最优性是最强的，因为任何其他算法在信息论上不可能正确标注更大比例的任务。实验结果表明，BP在所考虑的所有机制下接近最优，并优于竞争的SOTA算法。
引用
@article{arxiv.1602.03619,
title = {Optimal Inference in Crowdsourced Classification via Belief Propagation},
author = {Jungseul Ok and Sewoong Oh and Jinwoo Shin and Yung Yi},
journal= {arXiv preprint arXiv:1602.03619},
year = {2017}
}
备注
This article is partially based on preliminary results published in the proceeding of the 33rd International Conference on Machine Learning (ICML 2016)