面向众包预测的变分贝叶斯推断

众包已成为执行图像及其他数据集标注与标记等大量机器学习任务的有效手段。在多数早期众包场景中，任务涉及分类，即为每个任务分配离散标签集中的一个标签。然而近来尝试了更复杂的任务，包括要求众包工作者分配连续标签或预测值。本质上，这涉及将众包用于函数估计。我们受此问题驱动，以推动协同预测等应用，即利用群体智慧更准确地预测物理量。为此，我们提出一种专门旨在缓解过拟合的贝叶斯方法，过拟合是实践中准确预测模型的典型障碍。具体地，我们针对两种不同的工作者噪声模型开发了变分贝叶斯技术——一种假设工作者噪声相互独立，另一种假设工作者噪声具有潜在低秩结构。在合成与真实世界数据集上的评估表明，这些贝叶斯方法显著优于现有的非贝叶斯方法，因此对该类众包问题具有潜在用途。