PulseAugur
实时 11:22:36
English(EN) Optimal Fair Aggregation of Crowdsourced Noisy Labels using Demographic Parity Constraints

新方法优化众包噪声标签的公平聚合

研究人员开发了一种新的众包数据噪声标签聚合方法,侧重于公平性和人口统计均等。该研究分析了现有的聚合技术,如多数投票和最优贝叶斯,并提供了关于公平差距收敛性的理论保证。他们还引入了一种通用的后处理算法来强制执行严格的人口统计均等约束,并在合成和真实数据集上证明了其有效性。 AI

影响 为更公平的AI模型训练数据引入了理论保证和实用方法。

排序理由 这是一篇发表在arXiv上的研究论文,详细介绍了一种具有公平性约束的噪声标签聚合新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 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]

  1. arXiv cs.LG TIER_1 English(EN) · Gabriel Singer, Samuel Gruffaz, Olivier Vo Van, Nicolas Vayatis, Argyris Kalogeratos ·

    使用人口统计均等约束对众包噪声标签进行最优公平聚合

    arXiv:2601.23221v2 Announce Type: replace Abstract: As acquiring reliable ground-truth labels is usually costly, or infeasible, crowdsourcing and aggregation of noisy human annotations is the typical resort. Aggregating subjective labels, though, may amplify individual biases, pa…