1.本文问题

解决问题：

• 去噪
  • shifted label distribution
    • 普遍存在此问题，但大家都不解决，只着重于抛弃噪声实例
    • 远程监督标记的噪声数据（KB)和人类标注的测试集分布不同
• pipeline
  • pipeline会增加噪声的传递–传递错误

2.方法

本文方法：多智能体合作重新标注噪声实例的联合模型

• 细粒度地处理
  • 原来：舍弃或留下，二选一，仅对FP
  • 本文：分配置信度，重新标记
    • 选择目标：噪声实例
• 输入
  • KG embedding: transE–type embedding
• extractor:
  • PCNN（仅有关系抽取，实体部分使用CoType）
  • CoType(比PCNN好，因为PCNN是pipeline的
• 多智能体MRL
  • 每个智能体从自己的角度单独计算一个连续的置信度
    • 相互独立–分散的
  • 利用实体和关系之间的关联性，
  • curriculum +PPO：
    • reward大于threshold，或者队列满了–使用PPO学习agent策略
    • curriculum learnin：
      • 队列和采样的目的：加强任务之间的交互信息和加强agent的探索
• confident consensus module:聚合多智能体的智慧
• 置信度：
  • 连续
  • 使用置信度重新分布noisy training data 用于调整loss
  • 使用RL去探索合适的标签分布，通过使用置信标签重分布训练集
    • 这个方法实用，并且是robust的
    • 并不使用真实世界应用的测试集的信息：不引入真实世界的额外的知识

3.用于

本文方法可作为post-processing plugin：DS,WS

4. 结论

• joint>pipeline
• MRL>joint:
• MRL可以重新标记实例