分类任务中标签噪声的研究综述

近年来，随着机器学习的发展，分类系统的性能有了很大的飞跃。模型需要大量带标签数据才能使训练结果达到要求，而获取高质量的标注数据费时费力。为了降低成本，出现了众包、自动化系统等方法标注训练数据。但是，这些标注方法往往会产生大量错误标注，即标签噪声。另外，信息不足、专家错误和编码错误等因素，也可能使标签受到污染。训练过程中对标签噪声的处理不当，可能会使预测精度和准确性降低，或者使模型复杂度增加。因此，研究标签噪声对推广机器学习在各领域的应用和降低机器 学习算法的部署成本等方面具有重要意义。通过综述产生标签噪声的原因、影响以及近几年来应对标签噪声的一些技术方法，对标签噪声的研究现状和发展前景进行分析。     

基于零知识证明的匿名投票方案

针对现有电子投票与问卷调查系统中公正性与匿名性这两项最根本需求，提出了运行于以太坊上的智能合约投票方案。方案满足可信、透明的要求，剥离了对可信第三方的依赖。随后进一步结合零知识证明与数字签名技术，实现了方案的匿名性。通过合理设计算术电路及智能合约，该方案可满足一人一票或一人多票的应用场景。通过安全性分析，本方案完全满足业界对电子投票方案公认的各种要求，加之相关代码已完整开源，为后续移植及具体应用提供了借鉴与参考。