典型文献
利用标注者相关性的深度生成式众包学习
文献摘要：
传统监督学习需要训练样本的真实标记信息,而在很多情况下,真实标记并不容易收集.与之对比,众包学习从多个可能犯错的非专家收集标注,通过某种融合方式估计样本的真实标记.注意到现有深度众包学习工作对标注者相关性建模不足,而非深度众包学习方面的工作表明,标注者相关性建模利用有助于改善学习效果.提出一种深度生成式众包学习方法,以结合深度神经网络优势及利用标注者相关性.该模型由深度神经网络分类器先验和标注生成过程组成,其中,标注生成过程通过引入各类别内标注者能力的混合模型以建模标注者相关性.为自适应地匹配数据及模型复杂度,实现了完全贝叶斯推断.基于结构变分自编码器的自然梯度随机变分推断技术,将共轭参数变分消息传递与神经网络参数随机梯度下降结合到统一框架,实现端到端的高效优化.在22个真实众包数据集上的实验结果验证了该方法的有效性.
文献关键词：
众包学习;深度生成式模型;标注者相关性;贝叶斯;自然梯度随机变分推断
中图分类号：
作者姓名：
李绍园;韦梦龙;黄圣君
作者机构：
南京航空航天大学 计算机科学与技术学院/人工智能学院, 江苏 南京 211106
文献出处：
引用格式：
[1]李绍园;韦梦龙;黄圣君-.利用标注者相关性的深度生成式众包学习)[J].软件学报,2022(04):1274-1286
A类：
标注者相关性,自然梯度随机变分推断,深度生成式模型
B类：
众包学习,监督学习,训练样本,多情,犯错,融合方式,有深度,工作表,深度神经网络,网络优势,神经网络分类器,先验,生成过程,内标,混合模型,匹配数,模型复杂度,贝叶斯推断,变分自编码器,共轭,消息传递,网络参数,随机梯度下降,合到,一框,端到端,众包数据
AB值：
0.231211
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
