Label Correction of Crowdsourced Noisy Annotations with an Instance-Dependent Noise Transition Mode

我们可以采用以下六个分类标准：

1. 注释者的数量
   • 单个注释者： 在只有一个注释者提供标签的情况下，重点是模拟该个人的特定噪声模式。当专业知识有限或注释任务高度专业化时，这是相关的。例如，BLTM [17] 等方法就是为此设置而设计的，旨在学习捕获注释者标签如何偏离真实标签的转换矩阵。
   • 多个注释者： 更常见的情况涉及具有不同专业知识的多个注释者。这带来了汇总不同意见并考虑注释者可靠性差异的挑战。CrowdLayer [53] 和 GeoCrowdNet [13] 等方法是针对此设置量身定制的，结合了特定于注释者的层或正则化技术，以从群体的集体智慧中学习。
2. 噪声过渡模型
   • 实例无关： 该模型通过假设注释者出错的概率在所有实例中都是一致的，无论其个体特征如何，从而简化了问题。这是 TraceReg [8] 等方法中的一个常见假设，该方法侧重于估计每个注释者的全局混淆矩阵。
   • 实例相关： 一种更细致的方法是考虑错误概率可能因每个实例的特定特征而异。这是当前论文的重点，作者提出了一个贝叶斯框架来模拟这种实例相关的噪声。BLTM [17] 中也探讨了这一点，该方法使用深度神经网络来估计实例相关的贝叶斯标签转换矩阵。
3. 建模方法
   • 贝叶斯： 贝叶斯方法将未知的真实标签和模