随机广义对抗标签学习

机器学习模型的使用已大幅增长并正扩展到多个应用领域。使用机器学习模型的一个常见需求是收集训练这些模型所需的数据。在某些情况下，标注海量数据集可能成为严重瓶颈，因此需要开发在大量数据的训练标签不易获得时仍能工作的模型。一种可能的解决方案是弱监督，它使用从多个来源轻易获得的含噪标签。挑战在于如何最好地组合这些含噪标签并训练模型以在给定任务上表现良好。在本文中，我们提出随机广义对抗标签学习（Stoch-GALL），一种在提供含噪且可能相关的标签时仍能表现良好的机器学习模型训练框架。我们的框架允许用户提供不同的弱标签以及这些标签上的多个约束。我们的模型随后通过求解一个非零和博弈优化来尝试学习数据参数。该博弈介于一个为数据选择标签的对抗者和一个最小化对抗标签所造成误差的模型之间。我们在三个数据集上测试了我们的方法，训练卷积神经网络模型以在有限访问训练标签的情况下学习对图像对象分类。即使在弱监督混淆最先进的弱监督学习方法的环境下，我们的方法也能学习。我们的实验结果证明了该方法对一般分类任务的适用性。