English(EN) Hierarchical Bayesian Crowdsourcing with Item Difficulty

新的贝叶斯模型通过考虑项目难度来提高训练数据准确性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-07 04:00

研究人员开发了一种新的分层贝叶斯众包模型，通过考虑项目难度来提高训练数据的准确性。该模型扩展了流行的 Dawid 和 Skene 方法，通过纳入难度、区分度和猜测性的项目级别效应，从而解决了标准黄金标准中存在的偏差和噪声。通过后验预测检查和留一法交叉验证验证了该模型的有效性，并在与牙科 X 射线和自然语言含义相关的数据集上进行了演示。 AI

影响通过解决噪声和偏差来提高机器学习模型的训练数据质量。

排序理由该集群包含一篇详细介绍众包新统计模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Seong Woo Han, Ozan Ad{\i}g\"uzel, Bob Carpenter · 2026-07-07 04:00

分层贝叶斯众包与项目难度

arXiv:2405.19521v3 Announce Type: replace-cross Abstract: In applied statistics and machine learning, the gold standards used for training are often biased and almost always noisy. Dawid and Skene's justifiably popular crowdsourcing model adjusts for rater sensitivity and specifi…

报道来源 [1]

分层贝叶斯众包与项目难度

相关话题