知识卡片：不平衡标签聚合模型——聚焦少数类检测

一句话结论
本文提出一种结合项目难度与类别依赖标注者能力的生成式聚合模型，在33个真实众包数据集上始终取得最高的少数类召回率，同时平衡准确率保持竞争力，尤其适用于稀有标签恢复为首要目标的不平衡众包场景。

事件概述 / 研究问题
研究不平衡众包中“类别依赖的标注者准确性”（class-dependent annotator accuracy），该设置在实际检查系统中极为重要——最重要（即操作意义最大）的标签往往也是最稀有的。现有模型要么捕获类别依赖错误但忽略项目难度（item difficulty），要么建模项目难度但不捕获类别依赖错误。本文旨在填补这一空白，提出同时建模两者且允许标注者能力和项目难度随类别变化的方法。

方法 / 产品要点

• 提出一种生成式聚合模型，将项目难度与类别依赖的标注者能力统一建模。
• 模型允许标注者能力和项目难度在不同类别间变化，可应对四种标注者类型：双类别可靠、双类别不可靠、多数类专家、少数类专家。
• 在不平衡设置下重新审视Condorcet陪审团定理，并证明多数投票渐近保持底层类别比例。
• 在33个真实众包数据集上评估，涵盖图像和文本等多分类任务，以及两种大规模场景：每项大量标注的大规模标注数据集，和大量标注实例的大规模项目数据集。

主要结果或产业意义

• 在所有测试场景中，模型始终取得最高少数类召回率，同时平衡准确率具有竞争力。
• 突出价值：当稀有标签的恢复是主要目标（例如工业质检中的罕见缺陷检测）时，该模型比现有方法更适用。

为什么重要
现实世界中的众包检查系统（如医学影像、产品缺陷检测）中，操作上最重要的标签往往出现频率最低。现有众包标签聚合方法对这类不平衡场景支持不足，本文给出了首个同时处理类别依赖错误和项目难度的生成式方案。

局限与不确定性
待核实（原文未明确说明模型的潜在局限，如对极端不平衡或超大规模数据集的计算开销、对标签噪声类型的假设是否严格等）。

可用于图书/PPT/简报的角度

• 示例：在“众包质量控制”“机器学习数据标注”“稀有事件检测”等章节中，可作为处理不平衡众包数据的先进方法案例。
• 强调：本文的理论贡献（类不平衡下的Condorcet定理重新审视）和实用效果（少数类召回率提升）可同时用于学术报告和工业实践分享。

原始材料

• 论文标题：A Model for Imbalanced Label Aggregation: A Focus on Minority-Class Detection
• arXiv ID：2607.24622v1
• URL：https://arxiv.org/abs/2607.24622v1
• PDF：https://arxiv.org/pdf/2607.24622v1

英文关键词
imbalanced crowdsourcing, label aggregation, minority-class detection, class-dependent annotator accuracy, item difficulty