眾包學習

《眾包學習》系統介紹了眾包學習的概念、應用領域、前沿主題和研究實踐。 在基礎知識方面，
《眾包學習》介紹了眾包的起源與發展、眾包技術的研究方向，分析眾包模式為機器學習帶來的機會與挑戰。
在尖端技術方面，《眾包學習》詳細闡述了眾包標註真值推論與面向眾包標註資料的預測模型學習等前沿研究課題。
在研究實務方面，《眾包學習》介紹了面向偏置標註的眾包標籤真值推論、基於機器學習模型的眾包標籤雜訊處理、
眾包標籤利用方法與整合學習模型、基於不確定性測量的眾包主動學習等典型研究案例。

「新一代人工智慧創新平台建置及其關鍵技術叢書」序
前言
部分通用符號和約定
第1章 眾包概述
1.1 眾包的起源與發展
1.1.1 從外包到群眾外包
1.1.2 集眾人之智慧
1.1.3 眾包的形式
1.2 資料眾包
1.2.1 資料眾包的典型應用
1.2.2 資料眾包的工作流程
1.2.3 資料眾包面臨的挑戰性問題
1.3 眾包系統
1.3.1 幾個典型的眾包系統
1.3.2 眾包系統分類
1.3.3 眾包系統性能評價
1.3.4 眾包系統技術概覽
1.4 本章小結
第2章 眾包技術的研究方向
2.1 引言
2.2 眾包品質控制
2.2.1 質量模型
2.2.2 資料質量
2.2.3 任務質量
2.2.4 參與者品質
2.2.5 品質評估
2.2.6 品質保證
2.3 眾包任務設計
2.3.1 任務組合
2.3.2 任務分配
2.3.3 激勵機制
2.4 成本與延遲控制
2.4.1 問題規約
2.4.2 任務抽樣
2.4.3 時延控制
2.5 本章小結
第3章 眾包遇見機器學習
3.1 引言
3.2 從眾包中獲利
3.2.1 電腦視覺
3.2.2 資訊檢索
3.2.3 自然語言處理
3.2.4 機器學習
3.3 資料生產
3.3.1 資料標註
3.3.2 不確定數據
3.3.3 多樣性數據
3.3.4 特殊性數據
3.4 混合智慧系統
3.4.1 混合調度
3.4.2 混合人機通信
3.4.3 混合聚類
3.5 模型的調試與評估
3.5.1 管道組件調試
3.5.2 評估模型的可解釋性
3.5.3 評估無監督模型
3.5.4 按需評價
3.6 本章小結
第4章 眾包標註的真值推斷
4.1 引言
4.2 真值推論的概念
4.2.1 眾包標註
4.2.2 真值推論的定義
4.2.3 一般真值推論研究概覽
4.2.4 面臨的挑戰
4.3 真值推論的機率模型及EM求解
4.3.1 真值推斷的解法框架
4.3.2 ZenCrowd模型
4.3.3 Dawid&Skene模型
4.3.4 Raykar&Yu模型
4.3.5 GLAD模型
4.4 複雜標註的真值推論模型
4.4.1 OnlineWP模型
4.4.2 MCMLI模型
4.4.3 MCMLD模型
4.4.4 MCMLI-OC模型與MCMLD-OC模型
4.5 非EM求解的真值推斷
4.5.1 CUBAM模型
4.5.2 Minimax熵模型
4.5.3 KOS模型
4.5.4 SFilter時序模型
4.5.5 BCC模型與cBCC模型
4.6 本章小結
第5章 面向眾包標註資料的預測模型學習
5.1 引言
5.2 兩階段學習方案與直接學習方案
5.2.1 資料品質與學習模型質量
5.2.2 兩階段學習方案
5.2.3 直接學習方案
5.3 眾包監督學習
5.3.1 Raykar&Yu學習模型
5.3.2 個人分類器模型
5.3.3 聚類個人分類器模型
5.3.4 Bi多維度模型
5.4 眾包主動學習
5.4.1 主動學習概述
5.4.2 樣本選擇與工作者選擇
5.4.3 成本限制的Proactive學習
5.4.4 STAL學習
5.4.5 Self-taught模型
5.5 其他眾包學習範式
5.5.1 眾包學習中的知識遷移
5.5.2 眾包深度學習
5.6 本章小結
第6章 眾包學習資料集與工具
6.1 引言
6.2 眾包學習資料集
6.2.1 情感判斷
6.2.2 相關性評估
6.2.3 影像分類
6.2.4 自然語言處理
6.2.5 事實評估
6.3 眾包學習實驗工具
6.3.1 SQUARE
6.3.2 BATC
6.3.3 CEKA
6.3.4 實驗工具研發挑戰
6.4 性能評估指標
6.4.1 二分類問題的評估指標
6.4.2 ROC曲線與AUC
6.4.3 多分類問題的評估指標
6.4.4 回歸的表現指標
6.5 本章小結
第7章 面向偏置標註的眾包標籤真值推斷
7.1 引言
7.2 偏置標註問題
7.2.1 二分類偏移標註問題定義
7.2.2 真實資料集中的偏置標註現象
7.2.3 偏置標註對真值推論的影響
7.3 自動閾值估計推斷演算法
7.3.1 個案研究
7.3.2 正標籤頻率閾值演算法
7.3.3 閾值估計算法
7.3.4 實驗設置
7.3.5 實驗結果與分析
7.4 基於聚類的多分類真值推斷
7.4.1 動機
7.4.2 原理與特徵生成
7.4.3 GTIC演算法
7.4.4 實驗資料集與設置
7.4.5 實驗結果與分析
7.5 本章小結
第8章 基於機器學習模型的眾包標籤雜訊處理
8.1 引言
8.2 傳統機器學習的噪音處理方法
8.2.1 分類過濾演算法
8.2.2 標籤打磨修正演算法
8.2.3 自訓練誤標修正演算法
8.2.4 基於聚類的誤標修正演算法
8.2.5 眾包資料集實驗結果與分析
8.3 基於監督預測模型的眾包標籤噪音處理
8.3.1 整體技術框架
8.3.2 自適應投票雜訊修正演算法
8.3.3 模擬眾包標註資料集
8.3.4 標籤噪音辨識的性能
8.3.5 標籤噪音修正的性能
8.3.6 真實眾包資料集實驗結果與分析
8.4 基於雙層聚類分析的眾包