摘要
众包为以低成本获取大量标注数据提供了切实可行的途径。然而，标注人员的标注质量参差不齐，这给从众包标注数据中学习高质量模型带来了新的挑战。本文提出一种新视角，将标注噪声分解为共性噪声与个体噪声，并基于每个标注实例的难度以及标注人员的专业水平，区分混淆信息的来源。我们通过一种端到端的学习框架实现这一新型众包模型，该框架包含两类噪声自适应层：一类在所有标注人员之间共享，用于捕捉标注者之间共有的混淆模式；另一类则针对每位标注人员个性化设计，以建模其特有的个体混淆行为。为识别每条标注中噪声的来源，我们引入一个辅助网络，根据具体实例和标注人员的特性，动态选择相应的两类噪声自适应层。在合成数据与真实世界基准数据集上的大量实验结果表明，所提出的共性噪声自适应方法具有显著的有效性。