分布式协同提升标签质量
通过点对点联邦学习，让多个众包平台在不共享数据的前提下协同训练，提升标签质量。
Xiangming, Lu · 钱江波 · Wang, Chong · 严迪群 · 张悠慧
Applied Intelligence 2025
采用点对点联邦学习，各平台只需交换模型参数，原始数据保留在本地，从而规避商业机密和隐私风险。
利用标签分布信息识别和校正噪声标注，不依赖于任何单一平台的标注权威，提升标签质量的可靠性。
多个平台在分布式环境下同时参与训练，实验表明可以有效提升标签质量，优于单平台独立训练。