面向众包分类的流式贝叶斯推断
机器学习
2019-11-14 v1 机器学习
摘要
众包中的一个关键挑战是从含噪声且不可靠的数据中推断真实标签。为此，现有方法依赖于从众包收集冗余信息，并以某种概率方法聚合。然而，此类方法往往计算效率低、受限于某些特定设定，或缺乏理论保证。本文重新考察基于众包数据的二分类问题。具体地，我们提出众包流式贝叶斯推断（SBIC），一种不具上述任何局限的新算法。首先，SBIC 复杂度低，可用于实时在线设定。其次，SBIC 在所有设定下具有与最佳 SOTA 算法相同的精度。第三，SBIC 在在线与离线设定下均具有可证明的渐近保证。
引用
@article{arxiv.1911.05712,
title = {Streaming Bayesian Inference for Crowdsourced Classification},
author = {Edoardo Manino and Long Tran-Thanh and Nicholas R. Jennings},
journal= {arXiv preprint arXiv:1911.05712},
year = {2019}
}
备注
Accepted at the 33rd Conference on Neural Information Processing Systems (NeurIPS 2019), Vancouver, Canada