Học chống ồn là gì?

Question

Tôi đang đọc phần Phát triển và xác thực các bộ phân loại kiểu hình trên nhiều trang web trong mạng tin học và khoa học dữ liệu sức khỏe quan sát và xem đoạn dưới đây. Bạn có thể vui lòng giúp tôi hiểu thuật ngữ noise-tolerant learning or được đánh dấu dữ liệu đào tạo được gắn nhãn ồn ào` có nghĩa là gì với một ví dụ đơn giản và nó hữu ích như thế nào khi chúng tôi không có nhãn trong tập dữ liệu của mình, v.v.? Tôi đang học ML và thông tin đầu vào của bạn sẽ hữu ích.

Để giải quyết tình trạng khan hiếm dữ liệu đào tạo được gắn nhãn, Chen và cộng sự đã sử dụng học tập tích cực để lựa chọn thông minh các mẫu đào tạo để gắn nhãn, chứng minh rằng hiệu suất của bộ phân loại có thể được duy trì với ít mẫu hơn.16 Một xu hướng khác là sử dụng “bộ đào tạo tiêu chuẩn bạc”, một giám sát bán kỳ Phương pháp tiếp cận trong đó các mẫu huấn luyện được gắn nhãn bằng cách sử dụng phương pháp heuristic không hoàn hảo thay vì xem xét thủ công.17–22 Trực giác là các bộ phân loại chịu nhiễu được huấn luyện trên dữ liệu được gắn nhãn không hoàn hảo sẽ trừu tượng hóa các thuộc tính bậc cao của kiểu hình ngoài phương pháp heuristic gắn nhãn ban đầu (cái gọi là “ học chống ồn ”23).

Answer 1

Giấy đủ rõ ràng, khả năng chống ồn, trong trường hợp này là về tiếng ồn nhãn . Trong trường hợp này, các nhãn là chẩn đoán y tế, một phần được quyết định tự động bởi một số thuật toán. Những quyết định như vậy có thể ồn ào nên các nhãn sẽ ồn ào.

Vì vậy, đây là về việc học các thuật toán mạnh mẽ chống lại nhiễu nhãn có thể xảy ra. Để cung cấp một số ngữ cảnh, phần đầu tiên của phần tóm tắt của bài báo đó là

Mục tiêu

Định dạng kiểu hình điện tử chính xác là điều cần thiết để hỗ trợ nghiên cứu quan sát hợp tác. Các phương pháp học máy được giám sát có thể được sử dụng để đào tạo các bộ phân loại kiểu hình theo cách có thông lượng cao bằng cách sử dụng dữ liệu được gắn nhãn không hoàn hảo. Chúng tôi đã phát triển 10 bộ phân loại kiểu hình bằng cách sử dụng phương pháp này và đánh giá hiệu suất trên nhiều địa điểm trong mạng Khoa học Dữ liệu Y tế Quan sát và Tin học (OHDSI).

Và bài báo 23 từ các tài liệu tham khảo là Giới hạn chung về số lượng ví dụ cần thiết để học khái niệm xác suất , thực sự chứa các định lý về nhiễu phân loại (thuật ngữ được sử dụng trong bài báo đó).