Max MIG 군중 학습을 위한 정보 이론적 접근

본 논문은 대규모 라벨링이 필요한 현대 머신러닝에서 군중소싱을 활용할 때 발생하는 핵심 문제, 즉 전문가들의 라벨이 서로 상관관계를 가질 수 있고 일부는 무작위로 라벨링하는 상황에서도 정확한 라벨을 추정하고 동시에 데이터 분류기를 학습하는 방법이 없다는 점을 지적한다. 기존 방법들은 (1) 다수결에 의존해 라벨을 집계하고 그 결과로 분류기를 학습하거나, (2) 라벨 간 독립성을 가정한 스펙트럴·MLE 기반 방법을 사용한다. 그러나 전자는 전문가들의 라벨이 편향될 경우 심각한 편향을 초래하고, 후자는 전문가 간 오류 상관관계가 존재하면 가정이 깨져 성능이 급격히 저하된다. 논문은 이러한 한계를 극복하기 위해 “정보 교차점” 가정을 도입한다. 이는 진실 라벨 y가 데이터 x와 군중 라벨 y