Local Boosting for Weakly-Supervised Learning
Rongzhi Zhang, Yue Yu, Jiaming Shen, Xiquan Cui, Chao Zhang
[Georgia Institute of Technology & Google Research]
面向弱监督学习的局部增强
-
动机：提出一种针对弱监督学习的局部增强(LocalBoost)框架，以改进弱监督学习中的性能表现，因为在弱监督学习中，数据通常通过弱的、含噪的来源进行标记，因此设计有效的增强方法是具有挑战性的。 -
方法：提出一种名为LocalBoost的弱监督增强框架，通过两个维度(源内和源间)迭代增强集合模型。其中，源内增强引入局部性，让基础学习器专注于特定的特征域，并通过在不同粒度的错误域上训练新的基础学习器。源间增强利用条件函数指示样本更有可能出现在哪个弱源中。为了处理弱标签，还设计了一种估计-修改方法来计算模型权重。 优势：提出一种针对弱监督学习的新型增强框架LocalBoost，该框架在七个数据集上实验证明明显优于传统增强方法和其他弱监督学习方法。
提出一种名为LocalBoost的局部增强框架，解决了弱监督学习中的性能问题，通过引入局部性和处理弱标签等创新点，实现了优于传统方法和其他弱监督学习方法的效果。
论文地址：https://arxiv.org/abs/2306.02859
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...
这是一个专注于人工智能产品的导航站。
