Crowdsourcing systems provide a cos

Crowdsourcing systems provide a cost effectiveand convenient way to collect labels, but they often fail toguarantee the quality of the labels. This paper proposes a novelframework that introduces noise correction techniques to furtherimprove the quality of integrated labels that are inferred fromthe multiple noisy labels of objects. In the proposed generalframework, information about the qualities of labelers estimatedby a front-end ground truth inference algorithm is utilizedto supervise subsequent label noise filtering and correction.The framework uses a novel algorithm termed adaptive votingnoise correction (AVNC) to precisely identify and correct thepotential noisy labels. After filtering out the instances withnoisy labels, the remaining cleansed data set is used to createmultiple weak classifiers, based on which a powerful ensembleclassifier is induced to correct these noises. Experimental resultson eight simulated data sets with different kinds of featuresand two real-world crowdsourcing data sets in different domainsconsistently show that: 1) the proposed framework can improvelabel quality regardless of inference algorithms, especially underthe circumstance that each instance has a few repeated labels and2) since the proposed AVNC algorithm considers both the numberof and the probability of potential label noises, it outperformsthe state-of-the-art noise correction algorithms.

結果 (繁體中文) 1:

眾包系統提供具有成本效益的
收集標籤和便捷的方式，但他們往往不能
保證標籤的質量。本文提出了一種新穎的
框架，它引入了噪聲校正技術，以進一步
改善從它們推斷集成標籤的質量
的對象的多個有噪聲的標籤。在所提出的一般
框架，約估計貼標的質量信息
由前端地面實況推理算法被用於
監督後續標籤噪聲濾波和校正。
框架使用一種新穎的算法稱為自適應表決
噪聲校正（AVNC）以精確識別和糾正
potential noisy labels. After filtering out the instances with
noisy labels, the remaining cleansed data set is used to create
multiple weak classifiers, based on which a powerful ensemble
classifier is induced to correct these noises. Experimental results
on eight simulated data sets with different kinds of features
and two real-world crowdsourcing data sets in different domains
consistently show that: 1) the proposed framework can improve
label quality regardless of inference algorithms, especially under
the circumstance that each instance has a few repeated labels and
2) since the proposed AVNC algorithm considers both the number
of and the probability of potential label noises, it outperforms
的狀態的最先進的噪聲校正算法。

結果 (繁體中文) 2:

眾包系統提供成本效益
和方便的方式收集標籤，但他們往往不能
保證標籤的品質。本文提出了一部小說
引入雜訊校正技術的框架，以進一步
提高從中推斷出的集成標籤的品質
物件的多個嘈雜標籤。在擬議的一般
框架，有關標籤商品質估計的資訊
利用前端地面真值推理演算法
監督後續的標籤雜訊濾波和校正。
該框架使用一種稱為自我調整投票的新型演算法
雜訊校正 （AVNC） 可精確識別和校正
潛在的嘈雜標籤。篩選出實例後，
雜訊標籤，剩餘的清理資料集用於創建
多個弱分類器，基於它一個強大的合奏
誘導分類器來糾正這些噪音。實驗結果
在八個具有不同特徵的類比資料集上
和兩個現實世界的眾包資料集在不同的領域
始終表明：1） 建議的框架可以改進
標籤品質，無論推理演算法如何，特別是在
每個實例都有幾個重複的標籤，
2） 由於建議的 AVNC 演算法同時考慮
和潛在的標籤雜訊的概率，它優於
最先進的雜訊校正演算法。

結果 (繁體中文) 3:

眾包系統具有成本效益
以及收集標籤的便捷方法，但它們往往無法
保證標籤的質量。本文提出一部小說
框架，進一步引入雜訊校正科技
提高從中推斷的集成標籤的質量
物體的多重雜訊標籤。在提議的一般條款中
框架，關於估計貼標人質量的資訊
利用前端的地面真值推理算灋
監督後續標籤雜訊的過濾和校正。
該框架使用了一種稱為自我調整投票的新算灋
雜訊校正（AVNC）用於精確識別和校正
潜在的譟音標籤。在篩選出具有
嘈雜的標籤，剩餘的清理數据集用於創建
多個弱分類器，在此基礎上
引入分類器對這些雜訊進行校正。實驗結果
八種不同特徵的類比數据集
以及兩個不同領域的真實眾包數据集
一致表明：1）提議的框架可以改進
標籤質量與推理算灋無關，特別是在
每個實例都有幾個重複的標籤和
2）因為所提出的AVNC算灋同時考慮了
以及潜在標籤雜訊的概率，它優於
最先進的雜訊校正算灋。