弱监督学习是一种有效的机器学习方法，是当前机器学习研究的热门话题，它可以有效减少标注数据所需的人力与时间。该论文提出了一种新颖的基于相似置信度学习的算法，该算法建立了无需真实标签，仅利用成对的无标签样本以及它们之间的相似度构造分类风险无偏估计量，并从理论上证明了该方法的概率收敛误差上界。在大数据时代标签缺失的情况下，对提高数据利用效率方面有着十分重要的意义。
成为VIP会员查看完整内容
Learning from Similarity-Confidence Data
相关内容
弱监督学习：监督学习的一种。大致分3类，第一类是不完全监督（incomplete supervision），即，只有训练集的一个（通常很小的）子集是有标签的，其他数据则没有标签。这种情况发生在各类任务中。例如，在图像分类任务中，真值标签由人类标注者给出的。从互联网上获取巨量图片很容易，然而考虑到标记的人工成本，只有一个小子集的图像能够被标注。第二类是不确切监督（inexact supervision），即，图像只有粗粒度的标签。第三种是不准确的监督（inaccurate supervision），模型给出的标签不总是真值。出现这种情况的常见原因有，图片标注者不小心或比较疲倦，或者某些图片就是难以分类。
Arxiv
0+阅读 · 2021年7月27日
Arxiv
0+阅读 · 2021年7月27日
Arxiv
5+阅读 · 2019年2月27日
Arxiv
5+阅读 · 2018年1月17日
相关资讯
相关论文
Arxiv
0+阅读 · 2021年7月27日
Arxiv
0+阅读 · 2021年7月27日
Arxiv
5+阅读 · 2019年2月27日
Arxiv
5+阅读 · 2018年1月17日
微信扫码咨询专知VIP会员