优化群体智慧：推断、学习与教学

对大量数据的空前需求催化了将人类洞察与机器学习技术相结合的趋势，这促进了众包以有效且高效的方式征集标签信息。众包的经典工作主要关注分类设定下的标签推断问题。然而，推断真实标签需要精细的聚合模型，这些模型通常仅能在特定假设下表现良好。同时，无论聚合模型多么复杂，生成众包标签的真实模型仍属未知。因此，标签推断问题永远无法完美推断真值。基于众包标签丰富且利用聚合会丢失此类丰富标注信息（例如哪位工人提供了哪些标签）这一事实，我们认为将众包工人的多样标注能力及其相关性纳入考量至关重要。为应对上述挑战，我们提议解决三个研究问题，即推断、学习与教学。