鲁棒支持向量机

众包标注低成本可靠推理

一种新的真值推断算法，通过鲁棒分类器处理众包噪声标签，在仅需极少标注者的情况下仍能获得高质量标签。

杨文君 · 李超群 · Jiang, Liangxiao

Science China Information Sciences 2023

参数信息

最低标注者人数

3

需解决的凸二次规划问题数

1

技术优势

很少标注者即可

将问题转化为鲁棒分类器学习，只需解决一个凸二次规划问题，使得在标注者人数很少时仍能获得较好性能。

降低标注成本

在实验中最低标注者人数设为3，即可达到较好的标注质量和模型质量，显著减少人工成本。

标注模型双提升

在基准数据集和真实数据集上，标注质量和模型质量均优于现有方法。

应用场景

• 众包数据标注：在众包平台中，用极少标注者即可获得可靠标签，降低标注成本。
• 低成本机器学习训练：减少对大量标注者的依赖，从而降低机器学习训练的数据标注开销。
• 噪声标签处理：通过鲁棒分类器处理众包噪声标签，提升模型抗噪能力。
• 弱监督学习：用众包弱标注数据训练出高质量模型，适用于弱监督场景。
• 真值推断：推断集成标签的真值，并在标注者少时保持推断质量。