近日，我院“数据挖掘与机器学习”团队（CUG-Miner）硕士研究生吴铜以第一作者身份在CCF-A类国际顶级期刊IEEE Transactions on Pattern Analysis and Machine Intelligence上发表了题为“Label Distribution Enhancement-based Label Completion for High-noise-ratio Crowdsourcing”的研究成果。
在众包学习中，标记补全作为预处理步骤，用于解决稀疏众包标记矩阵问题，显著提升了下游标记集成的性能。然而，现有标记补全算法通常侧重于低噪声比的众包场景，而很少关注高噪声比的众包场景。本文聚焦于高噪声比的众包场景，提出了一种基于标记分布增强的标记补全（LDELC）新算法。具体而言，我们首先开发了一种工人质量评估方法，以识别高质量工人和低质量工人。对于高质量工人，我们开发了一种类概率估计方法来初始化其标记分布；对于低质量工作者，则使用原始的多噪声标记集来初始化其标记分布。随后，我们开发了一种标记分布增强方法来增强低质量工人的标记分布。最后，我们传播所有标记分布直至收敛，并基于收敛的标记分布来补全缺失的众包标记。在真实和模拟众包数据集上的实验结果验证了LDELC的有效性。
LDELC的整体框架
论文链接：https://doi.org/10.1109/TPAMI.2026.3721048
通讯员：蒋良孝
审核：龚文引
校对：卢笙
