Fugu-MT 論文翻訳(概要): Crowdsourced Labeling for Worker-Task Specialization Model

論文の概要: Crowdsourced Labeling for Worker-Task Specialization Model

arxiv url: http://arxiv.org/abs/2004.00101v2
Date: Wed, 9 Jun 2021 06:55:56 GMT
ステータス: 処理完了
システム内更新日: 2022-12-21 12:49:02.813517
Title: Crowdsourced Labeling for Worker-Task Specialization Model
Title（参考訳）: ワークタスク特化モデルのためのクラウドソーシングラベリング
Authors: Doyeon Kim and Hye Won Chung
Abstract要約: 我々は、$d$タイプのワーカータスク特化モデルに基づくクラウドソースラベリングについて検討する。我々は,作業者クラスタリング,作業者スキル推定,多数決の重み付けによる二元的タスクラベルを復元する推論アルゴリズムを設計する。
参考スコア（独自算出の注目度）: 14.315501760755605
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider crowdsourced labeling under a $d$-type worker-task specialization model, where each worker and task is associated with one particular type among a finite set of types and a worker provides a more reliable answer to tasks of the matched type than to tasks of unmatched types. We design an inference algorithm that recovers binary task labels (up to any given recovery accuracy) by using worker clustering, worker skill estimation and weighted majority voting. The designed inference algorithm does not require any information about worker/task types, and achieves any targeted recovery accuracy with the best known performance (minimum number of queries per task).
Abstract（参考訳）: 我々は、$d$タイプのWorker-task特化モデルに基づくクラウドソースラベリングを検討し、そこでは、各ワーカーとタスクが有限型の特定のタイプに関連付けられ、ワーカーはマッチしないタイプのタスクよりも、マッチしたタイプのタスクに対してより信頼性の高い回答を提供する。本稿では,作業者クラスタリング,作業者スキル推定,多数決の重み付けにより,バイナリタスクラベル(任意のリカバリ精度まで)を復元する推論アルゴリズムを設計する。設計された推論アルゴリズムは、ワーカー/タスクタイプに関する情報を必要とせず、最もよく知られた性能(タスク当たりのクエリ数)でターゲットとするリカバリ精度を達成する。

関連論文リスト

Diversity-Based Recruitment in Crowdsensing By Combinatorial Multi-Armed Bandits [6.802315212233411]
本稿では,モバイル端末とそのユーザを中心的要求者の協調の下で集団センシングタスクに活用するモバイル・クラウドセンシングについて検討する。ここでの最大の課題は、最初は未知であり、徐々に学ばなければならない個々の労働者の知覚能力の変化である。本稿では,各ラウンドにおけるタスクの重み付けを各ラウンドの割り当て頻度に基づいて動的に調整することにより,各ラウンドにおけるタスクの多様性を高める新しいモデルを提案する。
論文参考訳（メタデータ） (2023-12-25T13:54:58Z)
A General Model for Aggregating Annotations Across Simple, Complex, and Multi-Object Annotation Tasks [51.14185612418977]
ラベルの品質を改善するための戦略は、複数のアノテータに同じ項目にラベルを付け、ラベルを集約するように求めることである。特定のタスクに対して様々なbespokeモデルが提案されているが、様々な複雑なタスクを一般化するアグリゲーションメソッドを導入するのはこれが初めてである。本論では,3つの新たな研究課題について検討し,今後の課題を概説する。
論文参考訳（メタデータ） (2023-12-20T21:28:35Z)
Spectral Clustering for Crowdsourcing with Inherently Distinct Task Types [7.788574428889243]
Dawid-Skeneモデルは、クラウドソーシングアルゴリズムの分析において最も広く想定されているモデルである。マルチタイプモデルには,異なるタイプに対する異なる重み付けが必要であることを示す。数値実験により,地味ラベルを推定する前にタイプ別クラスタリングタスクが,クラウドソーシングアルゴリズムの性能を高めることを示す。
論文参考訳（メタデータ） (2023-02-14T23:30:39Z)
Multi-task Bias-Variance Trade-off Through Functional Constraints [102.64082402388192]
マルチタスク学習は、多様なタスクによく機能する関数の集合を取得することを目的としている。本稿では,2つの極端な学習シナリオ,すなわちすべてのタスクに対する単一関数と,他のタスクを無視するタスク固有関数から直感を抽出する。本稿では,集中関数に対するドメイン固有解を強制する制約付き学習定式化を導入する。
論文参考訳（メタデータ） (2022-10-27T16:06:47Z)
Association Graph Learning for Multi-Task Classification with Category Shifts [68.58829338426712]
関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。我々の手法は代表的基準よりも一貫して性能が良い。
論文参考訳（メタデータ） (2022-10-10T12:37:41Z)
Unsupervised Crowdsourcing with Accuracy and Cost Guarantees [4.008789789191313]
本稿では,二元的かつ教師なしなアイテム群分類のためのクラウドソーシングプラットフォームにおけるコスト最適利用の問題点について考察する。本稿では,作業者からラベル予測を取得し,実際のラベルを推定するためのアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-07-05T12:14:11Z)
Improving Multi-task Generalization Ability for Neural Text Matching via Prompt Learning [54.66399120084227]
最近の最先端のニューラルテキストマッチングモデル(PLM)は、様々なタスクに一般化することが難しい。我々は、特殊化一般化訓練戦略を採用し、それをMatch-Promptと呼ぶ。特殊化段階では、異なるマッチングタスクの記述はいくつかのプロンプトトークンにマッピングされる。一般化段階において、テキストマッチングモデルは、多種多様なマッチングタスクを訓練することにより、本質的なマッチング信号を探索する。
論文参考訳（メタデータ） (2022-04-06T11:01:08Z)
Uni-Perceiver: Pre-training Unified Architecture for Generic Perception for Zero-shot and Few-shot Tasks [73.63892022944198]
我々はUni-Perceiverという汎用認識アーキテクチャを提案する。様々なモダリティやタスクを、統一されたモデリングと共有パラメータで処理します。その結果、チューニングなしで事前学習したモデルは、新しいタスクでも合理的なパフォーマンスを達成できることがわかった。
論文参考訳（メタデータ） (2021-12-02T18:59:50Z)
A Worker-Task Specialization Model for Crowdsourcing: Efficient Inference and Fundamental Limits [20.955889997204693]
クラウドソーシングシステムは、専門家でない労働者を用いて比較的低コストでデータをラベル付けするための効果的なプラットフォームとして登場した。本稿では、各タスクとワーカーが独自の(未知の)タイプを持つ、$d$-type Specialization modelという新しいモデルを検討する。本稿では,タスクの種類や作業者のタイプが不明な場合でも,順序的に最適限を満たすラベル推論アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-11-19T05:32:59Z)
Active clustering for labeling training data [0.8029049649310211]
本稿では,人間専門家がペアワイズクエリに応答する比較的安価なタスクを実行するための,データ収集のトレーニング環境を提案する。我々は、アイテムをクラスタリングし、その複雑さを分析するのに必要なクエリの平均数を最小化するアルゴリズムを解析する。
論文参考訳（メタデータ） (2021-10-27T15:35:58Z)
Adaptive Task Sampling for Meta-Learning [79.61146834134459]
数ショットの分類のためのメタラーニングの鍵となるアイデアは、テスト時に直面した数ショットの状況を模倣することである。一般化性能を向上させるための適応型タスクサンプリング手法を提案する。
論文参考訳（メタデータ） (2020-07-17T03:15:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。