Noisy Multi-Label Aggregation With Self-Supervised Graph Transformer in Mobile Crowdsourcing
Notice bibliographique
Résumé
Aggregating noisy labels from mobile crowdsourcing (MCS) to recover true labels is a fundamental yet challenging problem, especially due to the sparsity and unreliability of crowd-contributed data. While most prior work addresses only single-label scenarios, real-world MCS applications often require robust solutions for both single-label and multi-label tasks, where each instance may be associated with multiple categories. In this paper, we propose ATHENA, a novel approach that leverages self-supervision signals inherent in MCS data for effective label aggregation. Firstly, we propose a graph transformer model that can learn from the MCS topology and features. Then, we propose self-supervision signals inherently included in the dataset to help aggregate the labels. To address the unique challenges of multi-label aggregation, we further extend our approach to <bold xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">ATHENA+</b>, introducing a label message passing (LMP) module that explicitly models correlations and dependencies among labels. We conducted extensive experiments on multiple single-label and multi-label classification datasets, comparing the proposed models with state-of-the-art methods. Our results demonstrate that ATHENA and ATHENA+ are highly effective in aggregating labels and obtain much better performance than existing methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».