弱标注的准确性代价：时间事件固定分段弱标注的理论分析

准确的标签对于构建稳健的机器学习模型至关重要。标签用于训练监督学习模型并评估大多数机器学习范式。在本文中，我们对一种常见的弱标注过程的准确性和成本进行了建模，在该过程中，标注者为给定事件类别分配固定长度数据段的“存在”或“不存在”标签。如果某段充分覆盖了该类的一个事件（例如，音频数据中的鸟鸣声事件），则标注者将该段标记为“存在”。我们分析了段长度如何影响标签准确性和所需的标注数量，并将这种固定长度标注方法与一种使用真实事件激活来构建段的oracle方法进行了比较。此外，我们量化了这些方法之间的差距，并验证了在大多数现实场景中，oracle方法在准确性和成本方面都优于固定长度标注方法。我们的发现为模拟oracle过程的自适应弱标注策略提供了理论依据，并为在序列标注任务中优化弱标注过程奠定了基础。