Datasets:

---

anlp

/

anno1_w_elimination

like 0

Follow

anlp team project 4

[ "9", "Challenges", "and", "Future", "Directions", "Even", "with", "the", "introduction", "of", "neural", "models", ",", "Ope-", "nIE", "systems", "still", "have", "significant", "room", "for", "improve-", "ment", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "I-MethodName", "I-MethodName", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "In", "Table", "2", "we", "state", "that", "canonicalizing", "ex-", "tractions", "is", "desired", "by", "QA", "while", "extracting", "from", "imperative", "sentences", "is", "desired", "by", "both", "QA", "and", "summarization", ",", "but", "no", "existing", "model", "or", "dataset", "addresses", "these", "properties", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "O", "B-TaskName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "In", "sections", "3.1", "and", "3.2", "we", "note", "the", "lack", "of", "consensus", "on", "how", "to", "label", "Ope-", "nIE", "and", "the", "issues", "with", "weak", "labeling", ".", "Existing", "metrics", "also", "have", "issues", "with", "semantic", "meaning", "as", "discussed", "in", "section", "4", ",", "which", "is", "exacerbated", "by", "errors", "caused", "by", "weak", "labeling", ".", "The", "lack", "of", "con-", "sensus", "in", "how", "to", "label", "OpenIE", "relations", "results", "in", "a", "diverse", "set", "of", "models", "as", "we", "discuss", "in", "section", "5.4", ".", "The", "different", "assumptions", "these", "models", "make", "are", "also", "largely", "constrained", "to", "English", "syntax", ",", "leaving", "future", "work", "in", "multilingual", "OpenIE", "open", ".", "10", "Conclusion", "In", "this", "paper", ",", "we", "presented", "an", "application", "-", "focused", "empirical", "comparison", "of", "recent", "neural", "OpenIE", "models", ",", "training", "sets", ",", "and", "benchmarks", ".", "Our", "experi-", "ments", "showed", "that", "the", "different", "properties", "of", "Ope-", "nIE", "models", "and", "datasets", "affect", "the", "performance", ",", "meaning", "it", "is", "important", "to", "choose", "the", "appropriate", "system", "for", "a", "given", "application", "and", "not", "just", "choose", "whatever", "model", "is", "state", "-", "of", "-", "the", "-", "art", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "Proceedings", "of", "the", "61st", "Annual", "Meeting", "of", "the", "Association", "for", "Computational", "Linguistics", "Volume", "1", ":", "Long", "Papers", ",", "pages", "950–966", "July", "9", "-", "14", ",", "2023", "©", "2023", "Association", "for", "Computational", "Linguistics", "Subjective", "Crowd", "Disagreements", "for", "Subjective", "Data", ":", "Uncovering", "Meaningful", "CrowdOpinion", "with", "Population", "-", "level", "Learning", "Tharindu", "Cyril", "Weerasooriya1", "*", ",", "Sarah", "Luger2", ",", "Saloni", "Poddar1", ",", "Ashiqur", "R", ".", "KhudaBukhsh1", ",", "Christopher", "M", ".", "Homan1", "1Rochester", "Institute", "of", "Technology", ",", "USA", "2Orange", "Silicon", "Valley", "*", "cyriltcw", "@", "gmail.com", "Abstract", "This", "paper", "contains", "content", "that", "can", "be", "offen-", "sive", "or", "disturbing", ".", "Human", "-", "annotated", "data", "plays", "a", "critical", "role", "in", "the", "fairness", "of", "AI", "systems", ",", "including", "those", "that", "deal", "with", "life", "-", "altering", "decisions", "or", "moderat-", "ing", "human", "-", "created", "web", "/", "social", "media", "content", ".", "Conventionally", ",", "annotator", "disagreements", "are", "resolved", "before", "any", "learning", "takes", "place", ".", "How-", "ever", ",", "researchers", "are", "increasingly", "identifying", "annotator", "disagreement", "as", "pervasive", "and", "mean-", "ingful", ".", "They", "also", "question", "the", "performance", "of", "a", "system", "when", "annotators", "disagree", ".", "Partic-", "ularly", "when", "minority", "views", "are", "disregarded", ",", "especially", "among", "groups", "that", "may", "already", "be", "underrepresented", "in", "the", "annotator", "population", ".", "In", "this", "paper", ",", "we", "introduce", "CrowdOpinion", ",", "an", "unsupervised", "learning", "based", "approach", "that", "uses", "language", "features", "and", "label", "distributions", "to", "pool", "similar", "items", "into", "larger", "samples", "of", "label", "dis-", "tributions", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "We", "experiment", "with", "four", "generative", "and", "one", "density", "-", "based", "clustering", "method", ",", "ap-", "plied", "to", "five", "linear", "combinations", "of", "label", "dis-", "tributions", "and", "features", ".", "We", "use", "five", "publicly", "available", "benchmark", "datasets", "(", "with", "varying", "lev-", "els", "of", "annotator", "disagreements", ")", "from", "social", "me-", "dia", "(", "Twitter", ",", "Gab", ",", "and", "Reddit", ")", ".", "We", "also", "experi-", "ment", "in", "the", "wild", "using", "a", "dataset", "from", "Facebook", ",", "where", "annotations", "come", "from", "the", "platform", "it-", "self", "by", "users", "reacting", "to", "posts", ".", "We", "evaluate", "CrowdOpinion", "as", "a", "label", "distribution", "prediction", "task", "using", "KL", "-", "divergence", "and", "a", "single", "-", "label", "problem", "using", "accuracy", "measures", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "I-MetricName", "I-MetricName", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "O", "O" ]

[ "1", "Introduction", "Long", "term", "exposure", "to", "offensive", ",", "threatening", ",", "and", "hate", "speech", "posts", "through", "any", "public", "-", "facing", "social", "media", "platform", "can", "lead", "to", "depression", "or", "even", "phys-", "ical", "injuries", ",", "specially", "at", "a", "younger", "age", "(", "Pedalino", "and", "Camerini", ",", "2022", ")", ".", "This", "is", "a", "persistent", "problem", "in", "social", "and", "web", "content", "where", "the", "impact", "could", "be", "not", "limited", "to", "just", "the", "targeted", "parties", "but", "expand", "to", "anyone", "in", "the", "community", "consuming", "the", "content", "Intended", "Not", "Intd", ".", "Prob", ".", "Intd", ".", "Not", "Prob", ".", "Intd.0.00.51.01.52.0Count", "(", "a", ")", "DSIE1", "“", "Dur-", "ing", "the", "Thanksgiv-", "ing", "season", ",", "many", "Americans", "support", "Jennie", "-", "O", "-", "cide", ".", "”", "Intended", "Not", "Intd", ".", "Prob", ".", "These", "examples", "show", "how", "offense", "can", "not", "generalize", ",", "and", "in", "cases", "when", "a", "majority", "of", "the", "annotators", "are", "not", "offended", "the", "input", "for", "a", "classifier", "is", "the", "majority", "voice", ".", "Language", "used", "by", "content", "creators", "in", "social", "me-", "dia", "(", "see", "Figure", "1", ")", "with", "a", "subtle", "tone", "and", "syntax", "can", "hide", "the", "offensive", "content", "from", "the", "purview", "(", "Basile", "et", "al", ".", ",", "2019", ";", "Zubiaga", "et", "al", ".", ",", "2019", ")", "or", "machine", "learn-", "ing", "classifiers", "(", "Kumar", "et", "al", ".", ",", "2021", ")", ".", "This", "challenge", "has", "ethical", "and", "legal", "implications", "in", "many", "countries", "as", "these", "governments", "have", "imposed", "restrictions", "for", "platforms", "to", "identify", "and", "remove", "such", "harming", "con-", "tent", "(", "Kralj", "Novak", "et", "al", ".", ",", "2022", ";", "Saha", "et", "al", ".", ",", "2019", ")", "citing", "the", "right", "for", "safety", ".", "The", "ML", "classifiers", "generally", "rely", "on", "human", "feed-", "back", "(", "Eriksson", "and", "Simpson", ",", "2010", ";", "Dong", "et", "al", ".", ",", "2019", ")", ".", "Because", "humans", ",", "as", "content", "creators", "or", "annotators", "(", "content", "moderators", ")", ",", "are", "subjective", "in", "their", "opinions", "(", "Alm", ",", "2011", ")", ".", "Their", "feedback", "is", "es-", "sential", "to", "understanding", "subjective", "web", "or", "social", "media", "content", ".", "The", "standard", "practice", "is", "to", "ask", "mul-", "tiple", "annotators", "about", "each", "post", "and", "then", "use", "the", "majority", "opinion", "or", "ML", "-", "based", "methods", "to", "deter-", "mine", "the", "ground", "truth", "label", "(", "see", "Figure", "2", ")", ".", "Typically", ",", "minority", "views", "are", "completely", "re-", "moved", "from", "the", "dataset", "before", "it", "is", "published", ".", "Yet", "these", "views", "are", "often", "meaningful", "and", "important950", "Figure", "2", ":", "Each", "learning", "example", "is", "associated", "with", "sets", "of", "labels", ":", "(", "1", ")", "the", "(", "hidden", ")", "full", "distribution", "of", "responses", "by", "the", "en-", "tire", "population", "of", "annotators", "/", "stakeholders", ";", "(", "2", ")", "the", "(", "observed", ")", "responses", "received", "often", "from", "human", "crowdworkers", "hired", "to", "annotate", "the", "data", ";", "(", "3", ")", "an", "estimate", "of", "the", "full", "population", "distri-", "bution", "based", "on", "the", "empirical", "distribution", "of", "the", "given", "item", "(", "and", "frequently", "of", "other", "items", "and", "anonymized", "identifiers", "for", "the", "annotators", ")", ";", "(", "4", ")", "the", "prediction", "of", "a", "machine", "learning", "model", "trained", "on", "either", "the", "empirical", "or", "estimated", "distributions", ".", "Figure", "1", "shows", "three", "tweets", "with", "offensive", "language", "that", "have", "been", "labeled", "by", "multiple", "annotators", "about", "the", "tweeter", "’s", "intent", "(", "Sap", "et", "al", ".", ",", "2019", ")", ".", "In", "each", "case", ",", "the", "major-", "ity", "of", "annotators", "considers", "the", "offensiveness", "to", "be", "not", "intended", ".", "Yet", "a", "minority", "considers", "it", "to", "be", "in-", "tended", ".", "A", "classifier", "trained", "on", "such", "language", "data", "after", "these", "minority", "opinions", "are", "removed", "would", "not", "know", "about", "them", ".", "This", "is", "dangerous", "because", "abusers", "often", "obscure", "offensive", "language", "to", "sound", "unintended", "in", "case", "they", "are", "confronted", "(", "Sang", "and", "Stanton", ",", "2022", ")", ".", "And", "so", ",", "removing", "minority", "opin-", "ions", "could", "have", "dramatic", "impacts", "on", "the", "model", "’s", "performance", "if", ",", "say", ",", "it", "was", "trying", "to", "detect", "users", "creating", "hateful", "or", "offensive", "content", "on", "a", "social", "platform", ".", "Consequently", ",", "a", "growing", "body", "of", "research", "advo-", "cates", "that", "published", "datasets", "include", "ALL", "annota-", "tions", "obtained", "for", "each", "item", "(", "Geng", ",", "2016", ";", "Liu", "et", "al", ".", ",", "2019", ";", "Klenner", "et", "al", ".", ",", "2020", ";", "Basile", ",", "2020", ";", "Prab-", "hakaran", "et", "al", ".", ",", "2021", ")", ".", "And", "a", "substantial", "body", "of", "research", "is", "studying", "annotator", "disagreement", "(", "Aroyo", "and", "Welty", ",", "2014", ";", "Kairam", "and", "Heer", ",", "2016", ";", "Plank", "et", "al", ".", ",", "2014", ";", "Chung", "et", "al", ".", ",", "2019", ";", "Obermeyer", "et", "al", ".", ",", "2019", ";", "Founta", "et", "al", ".", ",", "2018", ";", "Binns", "et", "al", ".", ",", "2017", ")", ".", "Un-", "fortunately", ",", "most", "existing", "datasets", "are", "based", "on", "3–10", "annotators", "per", "label", ",", "far", "too", "few", ",", "statistically", "speaking", ",", "to", "represent", "a", "population", ".", "Thus", ",", "learning", "over", "such", "a", "sparse", "space", "is", "challenging", ".", "(", "2019", ")", "show", "that", "clustering", "in", "the", "space", "of", "label", "distributions", "can", "ameliorate", "the", "sparseness", "problem", ",", "indicating", "that", "data", "items", "with", "similar", "la-", "bel", "distributions", "likely", "have", "similar", "interpretations", ".", "Thus", ",", "a", "model", "can", "pool", "labels", "into", "a", "single", "collec-", "tion", "that", "is", "large", "enough", "to", "represent", "the", "underlying", "annotator", "population", ".", "Recent", "work", "by", "Davani", "et", "al.", "(", "2022", ")", ",", "studying", "annotator", "disagreement", "with", "ma-", "jority", "vote", "and", "multi", "-", "label", "learning", "methods", ",", "has", "called", "out", "the", "need", "for", "cluster", "-", "based", "modeling", "to", "understand", "annotator", "disagreements", ".", "The", "lack", "of", "annotator", "-", "level", "labels", "also", "hinders", "studying", "the", "annotator", "behaviors", "using", "methods", "that", "utilize", "those", "granular", "-", "level", "labels", "(", "Dawid", "and", "Skene", ",", "1979", ";", "Rodrigues", "and", "Pereira", ",", "2018", ";", "Gordon", "et", "al", ".", ",", "2022", ";", "Collins", "et", "al", ".", ",", "2022", ";", "Liu", "et", "al", ".", ",", "2023", ")", ".", "We", "see", "this", "as", "a", "benefit", "to", "CrowdOpinion", "(", "CO", ")", "we", "propose", ",", "a", "technique", "applicable", "at", "a", "broader", "level", "for", "understanding", "and", "predicting", "annotator", "disagreements", "which", "mitigate", "granular", "-", "level", "anno-", "tations", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "Themotivation", "behind", "CrowdOpinion", "is", "to", "re-", "duce", "inequity", "and", "bias", "in", "human", "-", "supervised", "ma-", "chine", "learning", "by", "preserving", "the", "full", "distribution", "of", "crowd", "responses", "(", "and", "their", "opinions", ")", "through", "the", "entire", "learning", "pipeline", "." ]

[ "O", "O", "B-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "We", "focus", "our", "methods", "on", "web", "and", "social", "media", "content", "due", "to", "its", "sub-", "jectivity", ".", "Our", "contributions", "to", "this", "core", "problem", "in", "AI", "and", "NLP", "is", "a", "learning", "framework1that", "uses", "unsupervised", "learning", "in", "Stage", "1", "on", "both", "the", "la-", "belsAND", "data", "features", "to", "better", "estimate", "soft", "label", "distributions", ".", "And", "in", "Stage", "2", ",", "we", "use", "these", "labels", "from", "Stage", "1", "to", "train", "and", "evaluate", "with", "a", "supervised", "learning", "model", ".", "We", "consider", "the", "following", "three", "questions", ".", "Q1", ":", "Does", "mixing", "language", "features", "and", "labels", "lead", "to", "better", "ground", "truth", "estimates", "than", "those", "that", "use", "labels", "only", "?", "This", "focuses", "on", "the", "first", "stage", "as", "a", "standalone", "problem", "and", "is", "difficult", "to", "answer", "directly", ",", "as", "“", "ground", "truth", "”", "from", "our", "perspective", "is", "thedistribution", "of", "labels", "from", "a", "hidden", "population", "of", "would", "-", "be", "annotators", ",", "of", "which", "we", "often", "only", "have", "a", "small", "sample", "(", "3", "-", "10", "annotators", ")", "per", "data", "item", ".", "We", "study", "four", "generative", "and", "one", "distance", "-", "based", "clustering", "methods", ",", "trained", "jointly", "on", "features", "and", "label", "distributions", ",", "where", "we", "vary", "the", "amount", "of", "weight", "given", "to", "features", "versus", "labels", ".", "Q2", ":", "Does", "mixing", "features", "and", "labels", "in", "the", "first", "stage", "lead", "to", "better", "label", "distribution", "learning", "in", "the", "second", "?", "We", "use", "the", "label", "distributions", "obtained", "from", "the", "first", "-", "stage", "models", "from", "Q1as", "feedback", "for", "supervised", "learning", ".", "We", "compare", "our", "results", "with", "baselines", "from", "pooling", "based", "on", "labels", "only", "(", "Liu", "et", "al", ".", ",", "2019", ")", ",", "predictions", "trained", "on", "the", "majority", "label", "for", "each", "item", "without", "clustering", ",", "and", "predic-", "tions", "trained", "on", "the", "label", "distribution", "for", "each", "item", "1Experimental", "code", "available", "through", "https", ":", "/", "/", "github", ".", "Reactions", "arelike", ",", "love", ",", "sad", ",", "wow", ",", "angry", ",", "and", "haha", ".", "but", "without", "any", "other", "first", "-", "stage", "modeling", ".", "Our", "results", "show", "improvement", "over", "unaggregated", "base-", "lines", ".", "Q3", ":", "Do", "our", "methods", "lead", "to", "better", "single", "-", "label", "learning", "(", "SL", ")", "?" ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "I-MetricName", "I-MetricName", "I-MetricName", "I-MetricName", "I-MetricName", "I-MetricName", "O" ]

[ "Since", "most", "applications", "consider", "only", "single", "-", "label", "prediction", ",", "we", "measure", "the", "model", "performance", "on", "single", "-", "label", "prediction", "via", "accu-", "racy", ".", "1.1", "Beyond", "Experiments", "Humans", "have", "annotated", "our", "benchmark", "datasets", "for", "specific", "tasks", ".", "However", ",", "this", "is", "not", "always", "the", "case", "in", "practice", ".", "Social", "networks", "have", "introduced", "reac-", "tions", "that", "allow", "users", "to", "react", "to", "platform", "content", ".", "We", "study", "this", "use", "case", "by", "predicting", "these", "reactions", "for", "Facebook", "posts", "(", "Wolf", ",", "2016", ")", "as", "a", "special", "case", ".", "Among", "the", "top", "100", "posts", "from", "Facebook", "(", "en-", "tropy", ">", "1.2", ")", ",", "26", "were", "about", "Donald", "Trump", ",", "with", "most", "of", "the", "label", "distribution", "mass", "divided", "between", "“", "like", "”", ",", "“", "haha", "”", ",", "and", "“", "angry", "”", ".", "Another", "26", "posts", "were", "about", "politics", "(", "but", "not", "Trump", ")", ",", "with", "the", "label", "distri-", "bution", "mass", "generally", "divided", "between", "“", "angry", "”", "and", "“", "sad", "”", ".", "There", "were", "only", "two", "non", "-", "English", "posts", "and", "no", "sports", "-", "related", "posts", ".", "And", "interestingly", ",", "except", "for", "two", "non", "-", "English", "posts", ",", "all", "of", "the", "other", "top", "posts", "had", "a", "substantial", "portion", "of", "their", "mass", "on", "“", "angry", "”", ".", "The", "bottom", "100", "set", "(", "entropy", "<", "0.04", ")", "contains", "46", "posts", "about", "sports", "and", "13", "non", "-", "English", "posts", ".", "There", "was", "only", "one", "political", "post", "(", "and", "it", "was", "not", "about", "Trump", ")", ".", "The", "label", "distribution", "pattern", "in", "this", "set", "was", "more", "dominated", "by", "“", "like", "”", "(", ">", "98", "%", ")", ",", "followed", "by", "reactions", "of", "either", "“", "love", "”", "or", "“", "haha", "”", ".", "“", "Like", "”", "was", "also", "dominant", "in", "the", "high", "entropy", "posts", ",", "but", "not", "to", "such", "a", "degree", ";", "based", "on", "this", "observation", "and", "(", "Tian", "et", "al", ".", ",", "2017", ")", ",", "we", "eliminate", "it", "from", "our", "experiments", ".", "Figure", "3", "illustrates", "some", "nuances", "in", "meaning", "that", "different", "label", "distributions", "reveal", ".", "All", "three", "are", "negative", "posts", "about", "Barack", "Obama", ",", "and", "all", "have", "most", "of", "their", "mass", "on", "“", "like", "”", ".", "DFBE1", "andDFBE2", "have", "similar", "distributions", ",", "in", "contrast", "to", "DFBE3", "where", ",", "besides", "“", "like", "”", ",", "the", "distribution", "mass", "falls", "mainly", "on", "“", "haha", "”", "and", "“", "angry", "”", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-DatasetName", "B-DatasetName", "O", "O", "O", "O", "O", "O", "O", "B-DatasetName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "Perhaps", "this", "is", "because", ",", "in", "contrast", "to", "the", "first", "two", "posts", "which", "are", "from", "anonymous", "sources", ",", "the", "criticism", "on", "DFBE3", "comes", "from", "a", "political", "rival", ",", "and", "maybe", "this", "pro-", "vides", "a", "concrete", "target", "for", "ridicule", "?" ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-DatasetName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "1.2", "Facebook", "’s", "Special", "Case", "\"", "Like", "\"", "was", "the", "original", "Facebook", "reaction", "and", "plat-", "form", "users", "may", "find", "it", "a", "quick", ",", "default", ",", "and", "intuitive", "interaction", ".", "The", "over", "-", "representation", "of", "\"", "like", "\"", "on", "Facebook", "exemplifies", "how", "this", "dataset", "is", "an", "un-", "usual", "human", "annotation", "case", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-DatasetName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "It", "is", "unique", "not", "only", "in", "the", "human", "labeling", "behavior", ",", "but", "also", "in", "the", "re-", "sulting", "label", "distribution", ".", "2", "Methods", "-", "CrowdOpinion", "In", "conventional", ",", "nondistributional", "supervised", "learn-", "ing", ",", "clustering", "might", "happen", "over", "the", "feature", "space", "only", "as", "a", "form", "of", "data", "regularization", "(", "Nikulin", "and", "McLachlan", ",", "2009", ")", ";", "the", "labels", ",", "being", "strictly", "cate-", "gorical", "and", "nondistributional", ",", "would", "be", "scalar", "and", "thus", "too", "simple", "to", "benefit", "from", "extensive", "modeling", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "In", "our", "setting", ",", "each", "data", "item", "xi∈", "X", "is", "associated", "with", "a", "vector", "yi∈", "Y", ",", "representing", "the", "empirical", "distribution", "of", "ALL", "annotator", "responses", ",", "which", "we", "view", "as", "sample", "of", "a", "larger", ",", "hidden", "population", ".", "Our", "approach", ",", "CrowdOpinion", "(", "CO", ")", "is", "two", "-", "staged", "and", "summarized", "in", "Algorithm", "1", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "In", "Stage", "1", ",", "we", "cluster", "together", "related", "data", "items", "and", "share", "among", "them", "a", "label", "distribution", "ˆyibased", "on", "all", "labels", "from", "all", "items", "in", "each", "cluster", ".", "This", "stage", "resembles", ",", "in", "function", ",", "a", "deep", "vein", "of", "label", "estimation", "research", "begun", "by", "Dawid", "and", "Skene", "(", "Dawid", "and", "Skene", ",", "1979", ";", "Carpenter", ",", "2008", ";", "Ipeiro-", "tis", "et", "al", ".", ",", "2010", ";", "Pasternack", "and", "Roth", ",", "2010", ";", "Weld", "et", "al", ".", ",", "2011", ";", "Raykar", "and", "Yu", ",", "2012", ";", "Kairam", "and", "Heer", ",", "2016", ";", "Gordon", "et", "al", ".", ",", "2021", ")", ",", "except", "that", "(", "a", ")", "our", "output", "is", "an", "estimate", "of", "the", "distribution", "of", "label", "responses", "by", "the", "underlying", "population", "of", "annota-", "tors", ",", "not", "a", "single", "label", ",", "and", "(", "b", ")", "yiin", "their", "models", "is", "a", "vector", "with", "one", "dimension", "for", "each", "annotator", ".", "To", "better", "handle", "the", "label", "sparseness", "common", "in", "most", "datasets", ",", "our", "yihas", "one", "dimension", "for", "each", "label", "choice", ",", "representing", "the", "proportion", "of", "annotators", "who", "made", "that", "choice", ".", "Stage", "2", "performs", "supervised", "learning", "on", "these", "new", "item", ",", "label", "distribution", "pairs", "(", "xi", ",", "ˆyi", ")", ".", "Note", "that", "nearly", "any", "pair", "of", "clustering", "Cand", "supervised", "learning", "Halgorithms", "can", "be", "used952", "Algorithm", "1", ":", "CO", "-", "C", "-", "H", "-", "w", "1Parameters", ":", "2Clustering", "(", "or", "pooling", ")", "algorithm", "C", "3Hypothesis", "space", "H", "4Mixing", "parameter", "w∈", "[", "0,1", "]", "5Inputs", ":", "6Data", "features", "with", "empirical", "label", "distributions", "(", "xi", ",", "yi", ")", "1≤i≤n", "/", "/", "BOTH", "xiandyiare", "vectors", "!", "7Procedure", ":", "8Stage", "1", ":", "9Perform", "clustering", "with", "Con", "BOTH", "item", "features", "and", "labels", ",", "weighted", "and", "concatenated", "together", ":", "(", "w·xi", ",", "(", "1−w", ")", "·yi", ")", "1≤i≤n", "10Let", "(", "ˆxi", ",", "ˆyi", ")", "be", "the", "centroid", "of", "the", "cluster", "πjassociated", "with", "each", "(", "xi", ",", "yi", ")", "11Stage", "2", ":", "Perform", "supervised", "learning", "on", "(", "xi", ",", "ˆyi", ")", "over", "hypothesis", "space", "H", "for", "stages", "one", "and", "two", ",", "respectively", ".", "(", "2019", ")", "performed", "the", "same", "kind", "of", "label", "regular-", "ization", "only", "using", "the", "label", "space", "Y", ",", "it", "is", "a", "base-", "line", "for", "our", "methods", "(", "w=", "0", ")", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "B-HyperparameterValue", "O", "O" ]

[ "Our", "main", "techni-", "cal", "innovation", "is", "to", "perform", "label", "regularization", "based", "on", "the", "weighted", "joint", "feature", "and", "label", "space", "w·X", "×", "(", "1−w", ")", "·Y", ",", "where", "w∈", "[", "0,1", "]", "is", "the", "mixing", "parameter", "that", "determines", "the", "relative", "importance", "ofXversus", "Yduring", "clustering", ".", "We", "consider", "four", "clustering", "models", "Cused", "by", "Liu", "et", "al", ".", "(", "2019", ")", ":", "a", "(", "finite", ")", "multinomial", "mixture", "model", "(", "FMM", ")", "with", "a", "Dirichlet", "prior", "over", "π∼", "Dir", "(", "p", ",", "γ=", "75", ")", ",", "where", "pis", "the", "number", "of", "clusters", "and", "each", "cluster", "distribution", "πjis", "a", "multinomial", "distribution", "with", "Dirichlet", "priors", "Dir", "(", "d", ",", "γ=", "0.1", ")", ",", "where", "dis", "the", "size", "of", "the", "label", "space", ",", "using", "the", "bnpy", "library", "(", "Hughes", "and", "Sudderth", ",", "2013", ")", ",", "a", "Gaus-", "sian", "mixture", "model", "(", "GMM", ")", "and", "a", "K", "-", "means", "model", "(", "KM", ")", "from", "scikit", "-", "learn", ",", "and", "the", "Gensim", "imple-", "mentation", "of", "Latent", "Dirichlet", "Allocation", "(", "LDA", ")", "(", "ˇReh˚", "u", "ˇrek", "and", "Sojka", ",", "2010", ")", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "O", "O", "B-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "(", "2019", ")", ":", "a", "(", "finite", ")", "multinomial", "mixture", "model", "(", "FMM", ")", "with", "a", "Dirichlet", "prior", "over", "π∼", "Dir", "(", "p", ",", "γ=", "75", ")", ",", "where", "pis", "the", "number", "of", "clusters", "and", "each", "cluster", "distribution", "πjis", "a", "multinomial", "distribution", "with", "Dirichlet", "priors", "Dir", "(", "d", ",", "γ=", "0.1", ")", ",", "where", "dis", "the", "size", "of", "the", "label", "space", ",", "using", "the", "bnpy", "library", "(", "Hughes", "and", "Sudderth", ",", "2013", ")", ",", "a", "Gaus-", "sian", "mixture", "model", "(", "GMM", ")", "and", "a", "K", "-", "means", "model", "(", "KM", ")", "from", "scikit", "-", "learn", ",", "and", "the", "Gensim", "imple-", "mentation", "of", "Latent", "Dirichlet", "Allocation", "(", "LDA", ")", "(", "ˇReh˚", "u", "ˇrek", "and", "Sojka", ",", "2010", ")", "." ]

[ "O", "O", "O", "O", "B-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "O", "O", "B-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "Each", "of", "these", "models", "takes", "as", "a", "hyperparameter", "the", "number", "of", "clusters", "p", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "I-HyperparameterName", "I-HyperparameterName", "O", "O" ]

[ "We", "perform", "parameter", "search", "(", "4≤p≤", "40", ")", "on", "the", "number", "of", "clusters", ",", "choosing", "arg", "min", "p", "/", "summationtext", "iKL", "(", "(", "xi", ",", "yi", ")", "w", ",", "(", "ˆxi", ",", "ˆyi", ")", "w", ")", ",", "i.e.", ",", "the", "p", "that", "minimizes", "the", "total", "KL", "divergence", "between", "the", "raw", "and", "clustered", "label", "distribution", ",", "where", ",", "e.g.", ",", "(", "xi", ",", "yi", ")", "wdenotes", "(", "w·xi", ",", "(", "1−w", ")", "·yi", ")", ",", "i.e.", ",", "the", "weighted", "concatenation", "of", "xiandyi", "." ]

[ "O", "O", "O", "O", "O", "B-HyperparameterValue", "B-HyperparameterValue", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "I-MetricName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "We", "also", "consider", "a", "soft", ",", "distance", "-", "based", "cluster", "-", "ing", "method", ",", "called", "neighborhood", "-", "based", "pooling", "(", "NBP", ")", "in", "the", "context", "of", "PLL", "(", "Weerasooriya", "et", "al", ".", ",", "2020", ")", ".", "For", "each", "data", "item", "iit", "averages", "over", "all", "data", "items", "jwithin", "a", "fixed", "Kullback", "-", "Liebler", "(", "KL", ")", "ball", "of", "radius", "r", ":", "ˆyi=", "{", "yj|KL", "(", "(", "xi", ",", "yi", ")", "w∥", "(", "xj", ",", "yj", ")", "w", ")", "<", "r", "}", ".", "(", "1", ")", "Here", ",", "the", "hyperparameter", "is", "the", "diameter", "rof", "the", "balls", ",", "rather", "than", "the", "number", "of", "clusters", ",", "and", "there", "is", "one", "ball", "for", "each", "data", "item", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "I-MetricName", "I-MetricName", "I-MetricName", "I-MetricName", "I-MetricName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "We", "perform", "hyper-", "parameter", "search", "(", "0≤r≤15", ")", "via", "methods", "used", "in", "(", "Weerasooriya", "et", "al", ".", ",", "2020", ")", "." ]

[ "O", "O", "O", "O", "O", "O", "B-HyperparameterValue", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "Table", "2", "summarizes", "model", "selection", "results", "using", "these", "methods", ".", "The", "supervised", "model", "(", "CNN", ")", "forHis", "a", "1D", "convolutional", "neural", "network", "(", "Kim", ",", "2014", ")", ",", "with", "three", "convolution", "/", "max", "pool", "layers", "(", "of", "dimension", "128", ")", "followed", "by", "a", "dropout", "(", "0.5", ")", "and", "softmax", "layer", "implemented", "with", "TensorFlow", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "B-HyperparameterValue", "O", "O", "O", "O", "B-HyperparameterName", "O", "B-HyperparameterValue", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "The", "input", "to", "the", "model", "is", "a", "384", "-", "dimension", "-", "vector", "text", "em-", "bedding", ",", "described", "below", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterValue", "O", "O", "O", "B-HyperparameterName", "I-HyperparameterName", "I-HyperparameterName", "I-HyperparameterName", "O", "O", "O", "O" ]

[ "Table", "3", "summarizes", "the", "supervised", "-", "learning", "based", "classification", "results", ".", "We", "compare", "our", "methods", "against", "four", "baselines", ".", "PDis", "our", "CNN", "model", "but", "with", "no", "clustering", ";", "it", "is", "trained", "directly", "on", "the", "raw", "empirical", "label", "distri-", "butions", "(", "yi", ")", ".SLthe", "same", "model", ",", "but", "trained", "on", "one", "-", "hot", "encodings", "of", "most", "frequent", "label", "in", "each", "yi", ".", "DS+CNN", "uses", "the", "Dawid", "and", "Skene", "(", "1979", ")", "model", "for", "CandH", "=", "CNN", ".CO", "-", "C", "-", "CNN-", "0is", "from", "Liu", "et", "al", ".", "(", "2019", ")", ",", "which", "clusters", "on", "labels", "only", ".", "We", "represent", "language", "features", "for", "both", "our", "unsupervised", "learning", "and", "classification", "ex-", "periments", "using", "a", "state", "-", "of", "-", "the", "-", "art", "pre", "-", "trained", "paraphrase", "-", "MiniLM", "-", "L6", "-", "v2", "transformer", "model", "using", "SBERT", "(", "sentence", "-", "transformers", ")", "library", "(", "Reimers", "and", "Gurevych", ",", "2019", ")", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "We", "identified", "this", "pre", "-", "trained", "model", "based", "on", "STS", "benchmark", "scores", "at", "the", "time", "of", "writing", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "I-MetricName", "I-MetricName", "O", "O", "O", "O", "O", "O" ]

[ "The", "feature", "vector", "size", "for", "each", "post", "is", "384", "." ]

[ "O", "B-HyperparameterName", "I-HyperparameterName", "I-HyperparameterName", "O", "O", "O", "O", "B-HyperparameterValue", "O" ]

[ "3", "Experiments", "3.1", "Dataset", "Descriptions", "As", "our", "approach", "focuses", "on", "human", "disagreement", ",", "we", "identified", "datasets", "that", "contain", "multiple", "annota-", "tors", "and", "multiple", "label", "choices", "per", "data", "item", ".", "We", "conducted", "our", "experiments", "on", "publicly", "available", "human", "-", "annotated", "English", "language", "datasets", "gen-", "erated", "from", "social", "media", "sites", "(", "Facebook", ",", "Twitter", ",", "and", "Reddit", ")", ".", "Each", "dataset", "consists", "of", "2,000", "posts", "and", "employs", "a", "50", "/", "25", "/", "25", "percent", "for", "train", "/", "dev", "/", "test", "split", ".", "Larger", "datasets", "are", "downsampled", "with", "ran-", "dom", "selection", "to", "2,000", "for", "a", "fairer", "comparison", "be-953", "Dataset", "No", ".", "Here", "r", "/", "pis", "the", "number", "of", "clusters", "for", "the", "generative", "models", "and", "ris", "the", "neighborhood", "size", "for", "distance", "-", "based", "clustering", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "I-HyperparameterName", "I-HyperparameterName", "O", "B-HyperparameterName", "I-HyperparameterName", "I-HyperparameterName", "O", "O", "O", "O", "O", "B-HyperparameterName", "O", "B-HyperparameterName", "I-HyperparameterName", "O", "O", "O", "O", "O", "O" ]

[ "K", "-", "Means", "is", "the", "optimum", "model", "for", "DSI", ",", "while", "NBP", "(", "distance", "-", "based", "clustering", ")", "is", "the", "optimal", "model", "for", "the", "remaining", "five", "datasets", "." ]

[ "B-MethodName", "I-MethodName", "I-MethodName", "O", "O", "O", "O", "O", "B-DatasetName", "O", "O", "B-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "The", "datasets", "vary", "in", "content", ",", "num-", "ber", "of", "annotators", "per", "item", ",", "number", "of", "annotator", "choices", ",", "and", "source", "of", "content", ".", "More", "detailed", "de-", "scriptions", "of", "the", "datasets", "are", "included", "in", "the", "Ap-", "pendix", ".", "3.2", "Results", "To", "address", "Q1", ",", "i.e.", ",", "whether", "mixtures", "of", "data", "fea-", "tures", "and", "labels", "in", "Stage", "1", "lead", "to", "better", "ground", "truth", "population", "estimates", ",", "Table", "2", "shows", "the", "model", "name", ",", "hyperparameter", "values", ",", "and", "mean", "KL", "diver-", "gence", "between", "the", "cluster", "centroid", "ˆyiand", "each", "item", "’s", "empirical", "distribution", "yiof", "the", "best", "clus-", "ter", "model", "for", "each", "dataset", ".", "The", "best", "choice", "for", "wvaries", "considerably", "across", "the", "datasets", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "O", "O", "O", "O", "O" ]

[ "The", "two", "datasets", ",", "DGE", ",", "JQ", "3with", "the", "largest", "number", "of", "choices", "(", "28", "and", "12", ",", "respectively", ")", "both", "selected", "models", "with", "w=", "0", ",", "i.e.", ",", "the", "label", "distributions", "alone", "provided", "the", "best", "results", "." ]

[ "O", "O", "O", "O", "B-DatasetName", "O", "B-DatasetName", "I-DatasetName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "B-HyperparameterValue", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "This", "was", "somewhat", "surprising", ",", "especially", "considering", "that", "in", "both", "cases", "the", "number", "of", "annotators", "per", "item", "is", "less", "than", "the", "number", "of", "label", "choices", ".", "We", "suspected", "that", "such", "sparse", "distributions", "would", "be", "too", "noisy", "to", "learn", "from", ".", "But", "apparently", "the", "size", "of", "these", "label", "spaces", "alone", "leads", "to", "a", "rich", ",", "meaningful", "signal", ".", "On", "the", "other", "extreme", ",", "the", "dataset", "with", "the", "fewest", "annotators", "(", "DSI", ")", "per", "item", "selected", "a", "model", "with", "w=", "1", ",", "i.e.", ",", "it", "used", "only", "item", "features", ",", "and", "not", "the", "label", "distributions", ",", "to", "determine", "the", "clusters", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "B-HyperparameterValue", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "This", "is", "what", "we", "would", "expect", "whenever", "there", "is", "relatively", "low", "confidence", "in", "the", "label", "distributions", ",", "which", "should", "be", "the", "case", "with", "so", "few", "labels", "per", "item", ".", "Interestingly", ",", "it", "was", "the", "only", "dataset", "that", "didnot", "select", "NBP", "(", "K", "-", "Means", ")", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "I-MethodName", "I-MethodName", "O", "O" ]

[ "In", "general", ",", "the", "mean", "KL", "-", "divergence", "for", "all", "se-", "lected", "models", "was", "quite", "low", ",", "suggesting", "that", "the", "items", "clustered", "together", "tended", "to", "have", "very", "simi-", "lar", "label", "distributions", "." ]

[ "O", "O", "O", "O", "B-MetricName", "I-MetricName", "I-MetricName", "I-MetricName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "One", "might", "expect", "for", "there", "to", "be", "more", "divergence", "the", "higher", "wis", ",", "because", "clustering", "with", "higher", "wrelies", "less", "directly", "on", "the", "label", "distributions", ".", "But", ",", "reading", "across", "the", "the", "re-", "sults", ",", "there", "does", "not", "appear", "to", "be", "any", "relationship", "between", "wand", "KL", "-", "divergence", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "B-MetricName", "I-MetricName", "I-MetricName", "O" ]

[ "The", "datasets", "them-", "selves", "are", "very", "different", "from", "one", "another", ",", "and", "so", "perhaps", "it", "is", "unlikely", "that", "something", "as", "simple", "as", "the", "mixing", "parameter", "wwould", "change", "the", "final", "label", "assignment", ".", "ForQ2", ",", "i.e.", ",", "whether", "mixtures", "of", "data", "features", "and", "labels", "in", "Stage", "1", "improve", "the", "label", "distribu-", "tion", "prediction", "in", "Stage", "2", ",", "we", "measure", "the", "mean", "KL", "(", "yi∥H", "(", "xi", ")", ")", ",", "where", "His", "one", "of", "the", "supervised", "learning", "models", "trained", "on", "each", "of", "the", "clustering", "models", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "I-MetricName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "For", "all", "datasets", ",", "the", "best", "cluster", "-", "based", "models", "in", "Table", "3", "outperform", "the", "baselines", "from", "Table", "3", ".", "Among", "the", "clustering", "models", ",", "as", "with", "Q1", "there", "is", "a", "lot", "of", "variation", "among", "which", "values", "for", "wgive", "the", "best", "performance", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "O", "O", "O", "O" ]

[ "But", "while", "the", "differ-", "ences", "appear", "significant", ",", "they", "are", "not", "substantial", ",", "suggesting", "that", "subtle", "differences", "in", "the", "data", "or", "the", "inductive", "biases", "of", "particular", "clustering", "models", "are", "driving", "the", "variance", ".", "It", "is", "interesting", "to", "note", "that", "DS+CNN", "is", "always", "close", "to", "the", "worst", "model", "and", "often", "the", "worst", "by", "far", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "This", "may", "be", "because", "(", "a", ")", "that", "model", "treats", "dis-", "agreement", "as", "a", "sign", "of", "poor", "annotation", "and", "seeks", "to", "eliminate", "it", ",", "whereas", "our", "model", "is", "designed", "to", "preserve", "disagreement", "(", "b", ")", "DSmodels", "individual", "annotator", "-", "item", "pairs", "and", "the", "datasets", "we", "study", "here", "(", "which", "are", "representative", "of", "most", "datasets", "currently", "available", ")", "have", "very", "sparse", "label", "sets", ",", "and", "so", "over-", "fitting", "is", "a", "concern", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "ForQ3", ",", "Table", "3", "(", "bottom", ")", "shows", "the", "classification", "prediction", "results", ",", "where", "evaluation", "is", "measured", "by", "accuracy", ",", "i.e.", ",", "the", "proportion", "of", "test", "cases", "where", "the", "arg", "max", "label", "of", "the", "(", "ground", "truth", ")", "training", "input", "label", "distribution", "is", "equal", "to", "that", "of", "the", "arg", "max", "predicted", "label", "distribution", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "Here", "the", "results", "are", "mixed", "between", "the", "non", "-", "clustering", "(", "Table", "4", ")", "and", "clustering", "(", "Table", "4", ")", "models", ",", "and", "the", "variation", "in", "terms", "of", "significance", "and", "substance", "is", "in", "line", "with", "Q1", ".", "Once", "again", ",", "DS+CNN", "is", "the", "overall", "worst", "performer", ",", "even", "though", "here", "the", "goal", "is", "single", "-", "label", "inference", ",", "i.e.", ",", "exactly", "what", "DSis", "designed", "for.954", "KL", "-", "Divergence", "(", "↓", ")", "Dataset", "DFB", "DGE", "DJQ1", "DJQ2", "DJQ3", "DSIBaselinesPD", "0.857±0.006", "2.011", "±0.001", "1.092", "±0.004", "1.088", "±0.003", "1.462", "±0.00", "0.889", "±0.00", "DS+CNN", "-", "3.247", "±0.012", "1.042", "±0.005", "1.035", "±0.003", "3.197", "±0.034", "1.514", "±0.067", "Model", "(", "C", ")", "GMM", "LDA", "GMM", "K", "-", "Means", "LDA", "FMM", "KL", ",", "w=", "0", "0.684±0.001", "1.987±0.001", "0.427", "±0.01", "0.510±0.001", "0.823±0.001", "0.860", "±0.026", "w=", "0.75", "0", ".50", "1", ".0", "0", ".25", "1", ".0", "1", ".0", "KL", "0.680±0.001", "1.995±0.001", "0.450", "±0.001", "0.499±0.001", "0.884±0.001", "0.991", "±0.003", "Table", "3", ":", "KL", "-", "divergence", "(", "↓", ")", "results", "for", "the", "CO-", "C", "-", "CNN-", "wmodels", "from", "Algorithm", "1", ",", "using", "various", "choices", "for", "clustering", "Cand", "feature", "-", "label", "mixing", "w", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "I-MetricName", "I-MetricName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "Here", "w=", "0is", "the", "baseline", "from", "Liu", "et", "al", "." ]

[ "O", "B-HyperparameterName", "B-HyperparameterValue", "O", "O", "O", "O", "O", "O", "O" ]

[ "(", "2020", ")", "that", "uses", "label", "distributions", "in", "the", "clustering", "stage", ",", "and", "w=", "1", "means", "that", "only", "data", "feature", "are", "used", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "B-HyperparameterValue", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "The", "best", "score", "is", "included", "in", "the", "table", ".", "Full", "set", "of", "results", "included", "in", "Appendix", "Table", "6.The", "best", "score", "for", "each", "dataset", "bolded", ".", "Here", "w=", "0is", "the", "baseline", "from", "Liu", "et", "al", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "B-HyperparameterValue", "O", "O", "O", "O", "O", "O", "O" ]

[ "(", "2019", ")", "that", "uses", "label", "distributions", "in", "the", "clustering", "stage", ",", "and", "w=", "1means", "that", "only", "data", "feature", "are", "used", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "B-HyperparameterValue", "O", "O", "O", "O", "O", "O", "O" ]

[ "Since", "accuracy", "is", "a", "non", "-", "distributional", "statistic", ",", "we", "use", "the", "most", "frequent", "label", "for", "inference", "(", "though", "not", "during", "training", ";", "we", "use", "the", "same", "trained", "models", "as", "in", "Table", "2", ")", "." ]

[ "O", "B-MetricName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "Baselines", ";", "PDis", "trained", "on", "empirical", "distributions", ",", "and", "SLclassifier", "is", "trained", "on", "the", "most", "frequent", "label", "." ]

[ "O", "O", "B-MethodName", "O", "O", "O", "O", "O", "O", "B-MethodName", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "DSuses", "Dawid", "and", "Skene", "(", "1979", ")", "for", "label", "aggregation", "and", "our", "CNN", "model", "for", "prediction", ".", "Full", "set", "of", "results", "included", "in", "Appendix", "Table", "7", ".", "The", "best", "score", "for", "each", "dataset", "bolded", ".", "In", "the", "first", "example", "the", "author", "’s", "sarcasm", "is", "missed", "by", "4", "out", "of", "10", "annotators", "who", "label", "the", "comment", "as", "none", "of", "the", "above", "but", "job", "related", "and", "in", "the", "second", ",", "a", "similar", "sentiment", "is", "labeled", "as", "going", "to", "work", "when", "hours", "or", "complaining", "about", "work", "are", "chosen", "by", "others", ".", "4", "Discussions", "and", "Ethical", "Considerations", "Our", "results", "for", "Qs", "2–3", "show", "that", "cluster", "-", "based", "ag-", "gregation", "universally", "improves", "the", "performance", "of", "distributional", "learning", ".", "This", "seems", "to", "confirm", "that", "clustering", "is", "a", "powerful", "tool", "for", "combating", "la-", "bel", "sparseness", "to", "predict", "population", "-", "level", "annotator", "responses", ".", "However", ",", "results", "were", "mixed", "for", "single-", "label", "learning", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "O" ]

[ "Also", ",", "among", "the", "clustering", "meth-", "ods", "in", "both", "distributional", "and", "single", "-", "label", "learning", ",", "there", "was", "relatively", "little", "variance", "in", "performance", "aswvaries", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "O" ]

[ "The", "latter", "is", "certainly", "a", "negative", "result", "with", "re-", "spect", "to", "the", "technical", "AI", "question", "of", "whether", "or", "not", "to", "use", "both", "data", "features", "and", "label", "distributions", "in", "cases", "when", "we", "docluster", ".", "But", "it", "is", "positive", "in", "that", ",", "combined", "with", "the", "overall", "superior", "performance", "of", "clustering", "for", "population", "-", "level", "learning", ",", "it", "showsthateither", "label", "features", "or", "label", "distributions", "are", "adequate", "for", "realizing", "the", "benefits", "of", "clustering", "as", "a", "means", "of", "label", "distribution", "regularization", ".", "It", "also", "suggests", "that", "annotator", "disagreements", "are", ",", "in", "fact", ",", "meaningful", "and", "essential", ".", "To", "gain", "a", "better", "sense", "of", "how", "these", "methods", "can", "be", "used", "to", "address", "annotator", "inequality", ",", "we", "extract", "examples", "from", "DJQ3", "(", "Table", "5", ")", ",", "DFB", "(", "Fig-", "ure", "5", ")", ",", "and", "DSI", "(", "Figure", "4", ")", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "O", "O", "B-DatasetName", "O", "O", "O", "O", "O", "B-DatasetName", "O", "O", "O", "O", "O", "O", "O", "B-DatasetName", "O", "O", "O", "O", "O" ]

[ "We", "select", "examples", "from", "among", "the", "data", "items", "with", "the", "lowest", "KL-", "divergence", "scores", "between", "their", "empirical", "label", "distributions", "and", "their", "predictions", "according", "to", "the", "CO", "-", "FMM", "-", "CNN-", "0model", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "I-MetricName", "I-MetricName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "O" ]

[ "We", "report", "their", "predicted", "distributions", "according", "to", "this", "model", "and", "two", "other", "models", "at", "a", "data", "item", "level", ".", "Here", ",", "we", "see", "that", "the", "predicted", "distributions", "seem", "to", "differ", "from", "the", "empirical", "distributions", "and", "each", "other", "in", "meaningful", "ways", ".", "This", "is", "because955", "Intended", "Not", "Intd", ".", "Prob", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "I-MethodName", "I-MethodName", "B-HyperparameterName", "B-HyperparameterValue", "O", "O", "B-MetricName", "O" ]

[ "Here", "n", "denotes", "number", "of", "human", "annotators", "and", "KLis", "the", "KL-", "divergence", "when", "evaluated", "against", "the", "empirical", "ground", "truth", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "O", "B-MetricName", "I-MetricName", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "The", "striped", "bar", "denotes", "the", "human", "annotations", ".", "Reactions", "are", "love", ",", "wow", ",", "haha", ",", "sad", ",", "andangry", ".", "our", "models", "rely", "on", "other", "items", "with", "similar", "label", "distributions", "or", "language", "to", "normalize", "reactions", ".", "For", "instance", ",", "in", "example", "DFBE4", ",", "we", "see", "that", "the", "heavy", "annotator", "response", "to", "sad", "(", "795", "responses", ")", "is", "retained", "when", "w=", "0", "(", "0.910", ")", ",", "when", "only", "labels", "determine", "the", "clusters", ",", "but", "it", "decreases", "dramati-", "cally", "(", "to", "0.165and0.126", ")", "aswincreases", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "B-HyperparameterValue", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "O" ]

[ "Theseexamples", "show", "that", "when", "we", "introduce", "text", "into", "the", "clustering", "phase", ",", "the", "overall", "performance", "may", "not", "change", ",", "but", "qualitative", "differences", "may", "be", "quite", "significant", "at", "the", "item", "level", ".", "The", "examples", "in", "Figure", "4", "were", "surfaced", "by", "ran-", "domly", "sampling", "Reddit", "DSIfor", "posts", "whose", "pre-", "dictions", ",", "using", "our", "models", ",", "differed", "from", "the", "hu-", "man", "annotation", ".", "These", "examples", "all", "elicit", "ways", "of", "interpreting", "social", "media", "posts", "that", "contrast", "model", "predictions", ",", "human", "annotator", "choices", ",", "and", "our", "observations", "about", "offensiveness", "and", "toxic-", "ity", ".", "Example", "DSIE4", ",", "(", "Figure", "4a", ")", "is", "an", "offensive", "joke", "that", "mocks", "women", "and", "people", "with", "a", "mental", "health", "disorder", "called", "borderline", "personality", "dis-", "order", "(", "“", "BPD", "”", ")", ".", "In", "contrast", ",", "the", "human", "annotation", "was", "split", "between", "not", "intended", "to", "be", "offensive", "and", "probably", "intended", "to", "be", "offensive", ".", "No", "human", "chose", "intended", "to", "be", "offensive", ",", "yet", "our", "algorithm", "pre-", "dicted", "it", "might", "be", ",", "reflecting", "the", "deniability", "that", "comes", "from", "phrasing", "offensive", "speech", "as", "a", "“", "joke", ".", "”", "Example", "DSIE5", ",", "(", "Figure", "4c", ")", "is", "a", "joke", "about", "rape", "and", "older", "women", ".", "It", "is", "offensive", "because", "it", "associates", "rape", "with", "sex", "as", "opposed", "to", "rape", "with956", "violence", "and", "sex", "with", "procreation", ".", "This", "is", "a", "chal-", "lenging", "case", "for", "a", "typical", "ML", "classifier", "—", "there", "is", "no", "majority", ",", "and", "the", "label", "polarities", "are", "also", "oppo-", "site", ".", "In", "this", "case", ",", "our", "prediction", "correctly", "identifies", "the", "majority", "label", ".", "This", "may", "be", "due", "to", "our", "models", "grouping", "similar", "data", "items", "of", "similar", "content", ",", "sup-", "porting", "items", "such", "as", "this", "when", "there", "is", "contrasting", "confidence", "in", "human", "annotators", ".", "Example", "DSIE6", "(", "Figure", "4b", ")", "is", "offensive", "be-", "cause", "it", "makes", "light", "of", "the", "hate", "group", "KKK", "wearing", "hoods", "by", "identifying", "them", "with", "an", "NWA", "song", "and", "film", "about", "African", "American", "teenagers", "(", "“", "boyz", "n", "the", "hood", "”", ")", ".", "The", "PLL", "prediction", "also", "indicates", "that", "this", "post", "may", "have", "been", "intended", "to", "be", "offensive", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "But", "the", "human", "annotator", "thought", "it", "was", "probably", "not", "intended", "to", "be", "offensive", ".", "This", "is", "another", "case", "where", "our", "prediction", "aligns", "with", "our", "judgment", ".", "Example", "DSIE7", ",", "(", "Figure", "4d", ")", "is", "offensive", "be-", "cause", "it", "alludes", "to", "a", "woman", "being", "dead", "and", "thus", "not", "having", "agency", ";", "it", "seems", "threatening", ".", "Two", "hu-", "man", "annotators", "chose", "this", "to", "be", "probably", "intended", "to", "be", "offensive", ",", "and", "one", "annotator", "considered", "it", "not", "intended", "to", "be", "offensive", ".", "The", "prediction", "finds", "this", "intended", "to", "be", "offensive", ".", "A", "commonality", "among", "these", "examples", "is", "that", "they", "all", "contain", "an", "element", "of", "deniability", "—", "the", "poster", "can", "always", "claim", "they", "were", "only", "joking", ".", "One", "challenge", "with", "content", "moderation", "is", "where", "to", "draw", "the", "line", ".", "When", "does", "the", "potential", "harm", "of", "letting", "an", "offensive", "post", "through", "outweigh", "the", "winnowing", "of", "free", "discourse", "?", "The", "answer", "often", "depends", "on", "context", ".", "The", "population", "-", "level", "learning", "approach", "we", "advocate", "here", "can", "help", "provide", "a", "more", "nuanced", "view", "into", "annotator", "response", ".", "It", "may", "also", "provide", "context", "on", "opinions", "to", "inform", "decisions", "about", "what", "should", "and", "should", "not", "be", "censored", ".", "Our", "work", "also", "supports", "the", "findings", "from", "(", "Sap", "et", "al", ".", ",", "2021", ")", ",", "where", "they", "studied", "the", "underlying", "rea-", "sons", "why", "annotators", "disagree", "on", "subjective", "content", ",", "such", "as", "offensive", "language", "annotation", ".", "The", "exam-", "ples", "show", "how", "the", "proposed", "models", "can", "identify", "offensive", "content", "even", "with", "unreliable", "training", "data", "(", "human", "annotations", ")", ".", "5", "Conclusion", "Human", "annotation", "is", "often", "an", "expensive", "-", "to", "-", "acquire", ",", "challenging", ",", "and", "subjective", "resource", "for", "supervised", "machine", "learning", ".", "The", "obstacles", "to", "using", "human", "decisions", "in", "ML", "classification", "tasks", "are", "even", "more", "apparent", "when", "the", "problem", "domain", "is", "social", "me-", "dia", "content", ".", "The", "nuance", ",", "disagreement", ",", "and", "diver", "-", "sity", "of", "opinions", "by", "humans", "augment", "and", "enrich", "the", "complex", "decisions", "machine", "learning", "attempts", "to", "surface", ".", "To", "gain", "as", "much", "utility", "as", "possible", "from", "this", "valuable", "resource", ",", "we", "propose", "and", "subse-", "quently", "CrowdOpinion", "to", "retain", "these", "human", "judg-", "ments", "in", "the", "data", "prediction", "pipeline", "for", "as", "long", "as", "possible", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "First", ",", "this", "work", "introduces", "a", "novel", "method", "for", "mixing", "language", "features", "and", "label", "features", "into", "label", "distribution", "estimators", "to", "improve", "population-", "level", "learning", ".", "Then", ",", "we", "evaluated", "our", "approach", "against", "different", "baselines", "and", "experimented", "with", "datasets", "containing", "varying", "amounts", "of", "annotator", "disagreements", ".", "Our", "results", "suggest", "that", "(", "i", ")", "cluster-", "ing", "is", "an", "effective", "measure", "for", "countering", "the", "prob-", "lem", "of", "label", "sparseness", "when", "learning", "a", "population-", "level", "distribution", "of", "annotator", "responses", ",", "(", "ii", ")", "data", "features", "or", "label", "distributions", "are", "equally", "helpful", "as", "spaces", "in", "which", "to", "perform", "such", "clustering", ",", "and", "thus", "(", "iii", ")", "label", "distributions", "are", "meaningful", "signals", "that", "reflect", "the", "content", "of", "their", "associated", "items", ".", "Limitations", "Evaluation", ":", "We", "evaluate", "work", "as", "a", "single", "-", "label", "learning", "problem", "(", "accuracy", ")", "and", "a", "probability", "dis-", "tribution", "(", "KL", ")", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "I-TaskName", "I-TaskName", "O", "B-MetricName", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "O", "O" ]

[ "These", "metrics", "do", "not", "fully", "capture", "the", "nuances", "of", "the", "crowd", "(", "Inel", "et", "al", ".", ",", "2014", ")", ".", "We", "hope", "to", "build", "on", "this", "work", "by", "moving", "beyond", "general", "population", "-", "level", "predictions", "to", "predictions", "on", "subpopulations", "of", "interest", ",", "such", "as", "vulnerable", "communities", ".", "We", "hope", "to", "develop", "better", "methods", "for", "evaluating", "and", "assessing", "the", "performance", "of", "population", "-", "level", "learning", ".", "The", "range", "of", "mixing", "(", "w=", ")", "of", "the", "language", "fea-", "tures", "and", "labels", "in", "our", "experiments", "could", "be", "further", "delved", "into", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "Our", "experiments", "cover", "weights", "rang-", "ing", "from", "0", "to", "100", "in", "quartiles", ",", "but", "this", "parameter", ",", "as", "a", "hyperparameter", ",", "could", "benefit", "from", "additional", "experiments", "in", "finer", "ranges", ".", "Datasets", ":", "Our", "experimental", "datasets", "have", "been", "primarily", "in", "English", ".", "In", "addressing", "the", "ability", "to", "generalize", ",", "we", "hope", "to", "explore", "other", "offensive", "or", "hate", "speech", "-", "related", "datasets", "from", "other", "languages", ".", "The", "challenge", "of", "evaluating", "our", "models", "with", "other", "languages", "is", "acquiring", "a", "dataset", "with", "annotator-", "level", "labels", ",", "a", "rare", "resource", "for", "English", "datasets", "and", "challenging", "for", "other", "languages", ".", "Finally", ",", "we", "hope", "our", "methods", "open", "the", "discussion", "to", "building", "nuanced", "systems", "that", "capture", "human", "disagreement", "while", "studying", "subjective", "content", "on", "social", "media", ".", "Computation", ":", "As", "our", "experiments", "follow", "a", "two-", "stage", "setup", ",", "the", "first", "phase", "(", "data", "mixing", ")", "of", "it", "can957", "be", "further", "optimized", "to", "run", "on", "GPUs", "similar", "to", "the", "second", "phase", "(", "classification", ")", ",", "which", "is", "running", "on", "GPU", "through", "the", "TensorFlow", "/", "Keras", "implementa-", "tion", ".", "The", "first", "phase", "utilizes", "libraries", "through", "Sckit-", "learn", ",", "BNPY", ",", "and", "scripts", "through", "Python", "(", "NBP", ")", ",", "which", "can", "be", "a", "bottleneck", "for", "implementing", "the", "work", "and", "expanding", ".", "Ethical", "Considerations", "Our", "analysis", "constitutes", "a", "secondary", "study", "of", "pub-", "licly", "available", "datasets", "and", "thus", "is", "considered", "ex-", "empt", "from", "a", "federal", "human", "subjects", "research", "per-", "spective", ".", "However", ",", "as", "with", "any", "study", "that", "in-", "volves", "data", "collected", "from", "humans", ",", "there", "is", "a", "risk", "that", "it", "can", "be", "used", "to", "identify", "people", "(", "Hovy", "and", "Spruit", ",", "2016", ";", "Kralj", "Novak", "et", "al", ".", ",", "2022", ")", ".", "We", "under-", "stand", "these", "risks", "and", "train", "and", "test", "our", "models", "on", "anonymized", "data", "to", "minimize", "them", ".", "In", "addition", ",", "it", "is", "essential", "to", "note", "that", "any", "methods", "identifying", "marginalized", "voices", "can", "also", "aid", "in", "selective", "censor-", "ship", ".", "Our", "models", "in", "Stage", "1", "and", "Stage", "2", ",", "generate", "rich", "soft", "label", "distributions", ",", "this", "can", "be", "helpful", "for", "ML", "models", "to", "learn", "from", "a", "representative", "label", ".", "The", "distributions", "can", "also", "help", "with", "making", "deci-", "sions", "taking", "into", "account", "the", "right", "to", "freedom", "of", "expression", "and", "right", "to", "safety", "for", "human", "content", "creators", ",", "consumers", ",", "and", "annotators", ".", "Acknowledgments", "The", "funding", "for", "this", "research", "was", "provided", "by", "a", "Google", "Research", "Award", ",", "along", "with", "support", "from", "Google", "Cloud", "Research", "credits", ".", "Additionally", ",", "re-", "sources", "from", "Research", "Computing", "at", "the", "Rochester", "Institute", "of", "Technology", "(", "2022", ")", "were", "utilized", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "Proceedings", "of", "the", "61st", "Annual", "Meeting", "of", "the", "Association", "for", "Computational", "Linguistics", "Volume", "1", ":", "Long", "Papers", ",", "pages", "967–982", "July", "9", "-", "14", ",", "2023", "©", "2023", "Association", "for", "Computational", "Linguistics", "Post", "-", "Abstention", ":", "Towards", "Reliably", "Re", "-", "Attempting", "the", "Abstained", "Instances", "in", "QA", "Neeraj", "Varshney", "and", "Chitta", "Baral", "Arizona", "State", "University", "Abstract", "Despite", "remarkable", "progress", "made", "in", "natural", "language", "processing", ",", "even", "the", "state", "-", "of", "-", "the", "-", "art", "models", "often", "make", "incorrect", "predictions", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "Such", "predictions", "hamper", "the", "reliability", "of", "systems", "and", "limit", "their", "widespread", "adoption", "in", "real-", "world", "applications", ".", "Selective", "prediction", "partly", "addresses", "the", "above", "concern", "by", "enabling", "mod-", "els", "to", "abstain", "from", "answering", "when", "their", "pre-", "dictions", "are", "likely", "to", "be", "incorrect", ".", "While", "se-", "lective", "prediction", "is", "advantageous", ",", "it", "leaves", "us", "with", "a", "pertinent", "question", "‘", "what", "to", "do", "after", "ab-", "stention", "’", ".", "To", "this", "end", ",", "we", "present", "an", "explo-", "rative", "study", "on", "‘", "Post", "-", "Abstention", "’", ",", "a", "task", "that", "al-", "lows", "re", "-", "attempting", "the", "abstained", "instances", "with", "the", "aim", "of", "increasing", "coverage", "of", "the", "system", "without", "significantly", "sacrificing", "its", "accuracy", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "We", "first", "provide", "mathematical", "formulation", "of", "this", "task", "and", "then", "explore", "several", "methods", "to", "solve", "it", ".", "Comprehensive", "experiments", "on", "11", "QA", "datasets", "show", "that", "these", "methods", "lead", "to", "considerable", "risk", "improvements", "–", "performance", "metric", "of", "the", "Post", "-", "Abstention", "task", "–", "both", "in", "the", "in", "-", "domain", "and", "the", "out", "-", "of", "-", "domain", "settings", ".", "We", "also", "conduct", "a", "thorough", "analysis", "of", "these", "re-", "sults", "which", "further", "leads", "to", "several", "interesting", "findings", ".", "Finally", ",", "we", "believe", "that", "our", "work", "will", "encourage", "and", "facilitate", "further", "research", "in", "this", "important", "area", "of", "addressing", "the", "reliability", "of", "NLP", "systems", ".", "1", "Introduction", "Despite", "remarkable", "progress", "made", "in", "Natural", "Lan-", "guage", "Processing", "(", "NLP", ")", ",", "even", "the", "state", "-", "of", "-", "the", "-", "art", "systems", "often", "make", "incorrect", "predictions", ".", "This", "problem", "becomes", "worse", "when", "the", "inputs", "tend", "to", "diverge", "from", "the", "training", "data", "distribution", "(", "Elsa-", "har", "and", "Gallé", ",", "2019", ";", "Miller", "et", "al", ".", ",", "2020", ";", "Koh", "et", "al", ".", ",", "2021", ")", ".", "Incorrect", "predictions", "hamper", "the", "reliability", "of", "systems", "and", "limit", "their", "widespread", "adoption", "in", "real", "-", "world", "applications", ".", "Selective", "prediction", "partly", "addresses", "the", "above", "concern", "by", "enabling", "models", "to", "abstain", "from", "answer-", "ing", "when", "their", "predictions", "are", "likely", "to", "be", "incorrect", ".", "By", "avoiding", "potentially", "incorrect", "predictions", ",", "it", "allows", "maintaining", "high", "task", "accuracy", "and", "thus", "improves", "the", "system", "’s", "reliability", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "Selective", "predic-", "tion", "has", "recently", "received", "considerable", "attention", "from", "the", "NLP", "community", "leading", "to", "development", "of", "several", "methods", "(", "Kamath", "et", "al", ".", ",", "2020", ";", "Garg", "and", "Moschitti", ",", "2021", ";", "Xin", "et", "al", ".", ",", "2021", ";", "Varshney", "et", "al", ".", ",", "2022d", ")", "." ]

[ "B-MethodName", "I-MethodName", "I-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "While", "these", "contributions", "are", "important", ",", "selective", "prediction", "leaves", "us", "with", "a", "pertinent", "ques-", "tion", ":", "what", "to", "do", "after", "abstention", "?" ]

[ "O", "O", "O", "O", "O", "O", "B-MethodName", "I-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "In", "this", "work", ",", "we", "address", "the", "above", "question", "and", "present", "an", "explorative", "study", "on", "‘", "Post", "-", "Abstention", "’", ",", "a", "task", "that", "allows", "re", "-", "attempting", "the", "abstained", "in-", "stances", "with", "the", "aim", "of", "increasing", "coverage", "of", "the", "given", "selective", "prediction", "system", "without", "signifi-", "cantly", "sacrificing", "its", "accuracy", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "Figure", "1", "illustrates", "the", "benefit", "of", "employing", "a", "post", "-", "abstention", "method", ";", "a", "model", "that", "achieves", "an", "accuracy", "of", "70", "%", "is", "first", "enabled", "with", "the", "selective", "prediction", "ability", "that", "increases", "the", "accuracy", "to", "85", "%", "but", "answers", "only", "71", "%", "instances", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "O", "B-MetricValue", "I-MetricValue", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "O", "B-MetricValue", "I-MetricValue", "O", "O", "O", "B-MetricValue", "I-MetricValue", "O", "O" ]

[ "Then", ",", "a", "post", "-", "abstention", "method", "is", "employed", "(", "for", "the", "29", "%", "abstained", "instances", ")", "that", "assists", "the", "system", "in", "answering", "9", "%", "more", "instances", "raising", "the", "coverage", "to", "80", "%", "without", "considerably", "dropping", "the", "overall", "accuracy", ".", "We", "note", "that", "this", "task", "allows", "re", "-", "attempting", "all", "the", "abstained", "instances", "but", "does", "not", "require", "the", "system", "to", "necessarily", "out-", "put", "predictions", "for", "all", "of", "them", "i.e", ".", "the", "system", "can", "abstain", "even", "after", "utilizing", "a", "post", "-", "abstention", "method", "(", "when", "it", "is", "not", "sufficiently", "confident", "even", "in", "its", "new", "prediction", ")", ".", "This", "facet", "not", "only", "allows", "the", "system", "to", "maintain", "its", "performance", "but", "also", "provides", "opportunities", "of", "sequentially", "applying", "stronger", "post", "-", "abstention", "methods", "to", "reliably", "and", "optimally", "increase", "the", "coverage", "in", "stages", ".", "We", "provide", "mathematical", "formulation", "of", "the", "post", "-", "abstention", "task", "and", "explore", "several", "baseline", "methods", "to", "solve", "it", "(", "Section", "2", ")", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "I-TaskName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "To", "evaluate", "the", "effi-", "cacy", "of", "these", "methods", ",", "we", "conduct", "comprehensive", "experiments", "with", "11Question", "-", "Answering", "datasets", "from", "MRQA", "shared", "task", "(", "Fisch", "et", "al", ".", ",", "2019", ")", "in967", "Figure", "1", ":", "Illustrating", "the", "impact", "of", "employing", "a", "post", "-", "abstention", "method", "on", "top", "of", "selective", "prediction", "system", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-DatasetName", "I-DatasetName", "I-DatasetName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "A", "regular", "model", "that", "has", "an", "accuracy", "of", "70", "%", "(", "at", "coverage", "100", "%", ")", "is", "first", "enabled", "with", "selective", "prediction", "ability", "that", "increases", "the", "accuracy", "to", "85", "%", "but", "drops", "the", "coverage", "to", "71", "%", "." ]

[ "O", "O", "O", "O", "O", "O", "B-MetricName", "O", "B-MetricValue", "I-MetricValue", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "O", "B-MetricValue", "I-MetricValue", "O", "O", "O", "O", "O", "B-MetricValue", "I-MetricValue", "O" ]

[ "Then", ",", "on", "employing", "a", "post", "-", "abstention", "method", "to", "the", "abstained", "instances", "(", "remaining", "29", "%", ")", ",", "coverage", "increases", "to", "80", "%", "without", "a", "considerable", "drop", "in", "overall", "accuracy", "." ]

[ "O", "O", "O", "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "O" ]

[ "both", "in", "-", "domain", "and", "out", "-", "of", "-", "domain", "settings", "(", "Sec-", "tion", "3", ")", ".", "Our", "post", "-", "abstention", "methods", "lead", "to", "overall", "risk", "improvements", "(", "performance", "metric", "of", "the", "pro-", "posed", "task", ")", "of", "up", "to", "21.81", "in", "the", "in", "-", "domain", "setting", "and24.23", "in", "the", "out", "-", "of", "-", "domain", "setting", ".", "To", "further", "analyze", "these", "results", ",", "we", "study", "several", "research", "questions", ",", "such", "as", "‘", "what", "is", "the", "extent", "of", "overlap", "between", "the", "instances", "answered", "by", "different", "post-", "abstention", "methods", "’", ",", "‘", "what", "is", "the", "distribution", "of", "model", "’s", "original", "confidence", "on", "instances", "that", "get", "answered", "in", "the", "post", "-", "abstention", "stage", "’", ",", "and", "‘", "how", "often", "do", "the", "system", "’s", "predictions", "change", "after", "ap-", "plying", "post", "-", "abstention", "methods", "’", ".", "In", "Section", "4", ",", "we", "show", "that", "these", "investigations", "lead", "to", "numerous", "important", "and", "interesting", "findings", ".", "In", "summary", ",", "our", "contributions", "are", "as", "follows", ":", "1.We", "present", "an", "explorative", "study", "on", "‘", "Post-", "Abstention", "’", ",", "a", "task", "that", "aims", "at", "increasing", "the", "coverage", "of", "a", "given", "selective", "prediction", "system", "without", "significantly", "sacrificing", "its", "accuracy", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "I-TaskName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "2.Weexplore", "several", "baseline", "post", "-", "abstention", "methods", "and", "evaluate", "them", "in", "an", "extensive", "ex-", "perimental", "setup", "spanning", "11QA", "datasets", "in", "both", "in", "-", "domain", "and", "out", "-", "of", "-", "domain", "settings", "." ]

[ "O", "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "3.We", "show", "that", "the", "proposed", "post", "-", "abstention", "meth-", "odsresult", "in", "overall", "risk", "value", "improvements", "of", "up", "to", "21.81and24.23", "in", "the", "in", "-", "domain", "and", "out", "-", "of", "-", "domain", "settings", "respectively", "." ]

[ "O", "O", "O", "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricValue", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "4.Ourthorough", "analysis", "leads", "to", "several", "interest-", "ing", "findings", ",", "such", "as", "(", "a", ")", "instances", "answered", "by", "different", "post", "-", "abstention", "methods", "are", "not", "mu-", "tually", "exclusive", "i.e", ".", "there", "exist", "some", "overlap-", "ping", "instances", ",", "(", "b", ")", "instances", "that", "get", "answered", "in", "the", "post", "-", "abstention", "stage", "are", "not", "necessarily", "the", "ones", "on", "which", "the", "given", "system", "was", "initiallymost", "confident", ",", "etc", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "We", "believe", "our", "work", "will", "encourage", "further", "re-", "search", "in", "Post", "-", "Abstention", ",", "an", "important", "step", "to-", "wards", "improving", "the", "reliability", "of", "NLP", "systems", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "2", "Post", "-", "Abstention", "In", "this", "section", ",", "we", "first", "provide", "background", "for", "post", "-", "abstention", "(", "2.1", ")", "and", "then", "describe", "the", "task", "(", "2.2", ")", "and", "its", "approaches", "(", "2.3", ")", "." ]

[ "O", "B-TaskName", "I-TaskName", "I-TaskName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "2.1", "Background", "Post", "-", "abstention", ",", "as", "the", "name", "suggests", ",", "is", "applicable", "for", "a", "system", "that", "abstains", "from", "answering", "i.e", "." ]

[ "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "a", "selective", "prediction", "system", ".", "A", "system", "can", "typically", "abstain", "when", "its", "prediction", "is", "likely", "to", "be", "incorrect", ".", "This", "improves", "the", "reliability", "of", "the", "system", ".", "Such", "a", "system", "typically", "consists", "of", "two", "functions", ":", "a", "pre-", "dictor", "(", "f", ")", "that", "gives", "the", "model", "’s", "prediction", "on", "an", "input", "(", "x", ")", "and", "a", "selector", "(", "g", ")", "that", "determines", "if", "the", "system", "should", "output", "the", "prediction", "made", "by", "f", ":", "(", "f", ",", "g", ")", "(", "x", ")", "=", "/", "braceleftigg", "f", "(", "x", ")", ",", "if", "g", "(", "x", ")", "=", "1", "Abstain", ",", "if", "g", "(", "x", ")", "=", "0", "Typically", ",", "gcomprises", "of", "a", "prediction", "confidence", "estimator", "˜gand", "a", "threshold", "ththat", "controls", "the", "level", "of", "abstention", "for", "the", "system", ":", "g", "(", "x", ")", "=", "1", "[", "˜g", "(", "x", ")", ")", ">", "th", "]", "A", "selective", "prediction", "system", "makes", "trade", "-", "offs", "be-", "tween", "coverage", "andrisk", ".", "Coverage", "at", "a", "threshold", "this", "defined", "as", "the", "fraction", "of", "total", "instances", "an-", "swered", "by", "the", "system", "(", "where", "˜g", ">", "th", ")", "and", "risk", "is", "the", "error", "on", "the", "answered", "instances", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "With", "decrease", "in", "threshold", ",", "coverage", "will", "in-", "crease", ",", "but", "the", "risk", "will", "usually", "also", "increase", "." ]

[ "O", "O", "O", "B-HyperparameterName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "The968", "overall", "selective", "prediction", "performance", "is", "mea-", "sured", "by", "the", "area", "under", "Risk", "-", "Coverage", "curve", "(", "El-", "Yaniv", "et", "al", ".", ",", "2010", ")", "which", "plots", "risk", "against", "cover-", "age", "for", "all", "confidence", "thresholds", ".", "Lower", "AUC", "is", "better", "as", "it", "represents", "lower", "average", "risk", "across", "all", "confidence", "thresholds", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "In", "NLP", ",", "approaches", "such", "as", "Monte", "-", "Carlo", "Dropout", "(", "Gal", "and", "Ghahramani", ",", "2016", ")", ",", "Calibra-", "tion", "(", "Kamath", "et", "al", ".", ",", "2020", ";", "Varshney", "et", "al", ".", ",", "2022c", ",", "d", ";", "Zhang", "et", "al", ".", ",", "2021", ")", ",", "Error", "Regularization", "(", "Xin", "et", "al", ".", ",", "2021", ")", "and", "Label", "Smoothing", "(", "Szegedy", "et", "al", ".", ",", "2016", ")", "have", "been", "studied", "for", "selective", "prediction", ".", "In", "this", "work", ",", "we", "consider", "MaxProb", "(", "Hendrycks", "and", "Gim-", "pel", ",", "2017", ")", ",", "a", "technique", "that", "uses", "the", "maximum", "softmax", "probability", "across", "all", "answer", "candidates", "as", "the", "confidence", "estimator", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "We", "use", "this", "simple", "technique", "because", "the", "focus", "of", "this", "work", "is", "on", "post-", "abstention", "i.e", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "I-TaskName", "O", "O" ]

[ "the", "next", "step", "of", "selective", "prediction", ".", "However", ",", "we", "note", "that", "the", "task", "formulation", "and", "the", "proposed", "methods", "are", "general", "and", "applicable", "to", "all", "selective", "prediction", "approaches", ".", "2.2", "Task", "Formulation", "We", "define", "the", "post", "-", "abstention", "task", "as", "follows", ":", "Given", "a", "selective", "prediction", "system", "with", "an", "abstention", "threshold", ",", "the", "post", "-", "abstention", "task", "allows", "re", "-", "attempting", "the", "abstained", "instances", "with", "the", "aim", "of", "improving", "the", "coverage", "with-", "out", "considerably", "degrading", "the", "accuracy", "(", "or", "increasing", "the", "risk", ")", "of", "the", "given", "system", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "Next", ",", "we", "mathematically", "describe", "the", "task", "and", "its", "performance", "evaluation", "methodology", ".", "Let", "the", "coverage", "and", "risk", "of", "the", "given", "selective", "prediction", "system", "at", "abstention", "threshold", "thbe", "covthandrisk", "threspectively", ".", "A", "post", "-", "abstention", "method", "re", "-", "attempts", "the", "originally", "abstained", "in-", "stances", "(", "where", "˜g", "<", "th", ")", "and", "outputs", "the", "new", "pre-", "diction", "for", "the", "ones", "where", "it", "is", "now", "sufficiently", "confident", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "This", "typically", "leads", "to", "an", "increase", "in", "the", "coverage", "of", "the", "system", "with", "some", "change", "in", "the", "risk", "value", ";", "let", "the", "new", "coverage", "and", "risk", "be", "cov′", "th", "andrisk′", "threspectively", ".", "From", "the", "risk", "-", "coverage", "curve", "of", "the", "given", "system", ",", "we", "calculate", "its", "risk", "at", "coverage", "cov′", "thand", "compare", "it", "with", "risk′", "thto", "measure", "the", "efficacy", "of", "the", "post", "-", "abstention", "method", "(", "refer", "to", "Figure", "2", ")", ".", "For", "a", "method", "to", "have", "a", "positive", "impact", ",", "its", "risk", "(", "risk′", "th", ")", "should", "be", "lower", "than", "the", "risk", "of", "the", "given", "system", "at", "coverage", "cov′", "th", ".", "We", "summarize", "this", "performance", "evaluation", "methodology", "in", "Figure", "2", ".", "To", "get", "an", "overall", "performance", "estimate", "of", "a", "post-", "Figure", "2", ":", "Summarizing", "performance", "evaluation", "methodology", "of", "post", "-", "abstention", ".", "Given", "a", "selective", "pre-", "diction", "system", "with", "coverage", "covthand", "risk", "risk", "that", "abstention", "threshold", "th", ",", "let", "the", "new", "coverage", "and", "risk", "after", "applying", "a", "post", "-", "abstention", "method", "be", "cov′", "thand", "risk′", "threspectively", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "I-HyperparameterName", "I-HyperparameterName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "O", "O", "O", "O", "O", "O", "O" ]

[ "From", "the", "risk", "-", "coverage", "curve", "of", "the", "given", "system", ",", "we", "calculate", "its", "risk", "at", "coverage", "cov′", "th", "and", "compare", "it", "with", "risk′", "th", "(", "diff", ")", "." ]

[ "O", "O", "B-MetricName", "I-MetricName", "I-MetricName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "For", "the", "method", "to", "have", "a", "positive", "impact", ",", "risk′", "thshould", "be", "lower", "than", "the", "risk", "of", "the", "given", "system", "at", "coverage", "cov′", "th", ".", "abstention", "method", ",", "we", "compile", "these", "differences", "in", "risk", "values", "for", "all", "confidence", "thresholds", "and", "cal-", "culate", "an", "aggregated", "value", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "I-MetricName", "O", "O", "B-HyperparameterName", "I-HyperparameterName", "O", "O", "O", "O", "O", "O", "O" ]

[ "The", "higher", "the", "overall", "improvement", "value", ",", "the", "more", "effective", "the", "method", "is", ".", "We", "note", "that", "this", "evaluation", "methodology", "is", "fair", "and", "accurate", "as", "it", "conducts", "pair", "-", "wise", "comparisons", "atequal", "coverage", "points", ".", "An", "alternative", "perfor-", "mance", "metric", "could", "be", "AUC", "but", "it", "computes", "the", "overall", "area", "ignoring", "the", "pair", "-", "wise", "comparisons", "which", "are", "crucial", "for", "our", "task", "because", "the", "cover-", "age", "points", "of", "the", "original", "system", "would", "be", "different", "from", "those", "achieved", "by", "the", "post", "-", "abstention", "method", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "O", "O" ]

[ "2.3", "Approaches", "2.3.1", "Ensembling", "using", "Question", "Paraphrases", "It", "is", "well", "known", "that", "even", "state", "-", "of", "-", "the", "-", "art", "NLP", "models", "are", "often", "brittle", "i.e", ".", "when", "small", "semantic-", "preserving", "changes", "are", "made", "to", "the", "input", ",", "their", "predictions", "tend", "to", "fluctuate", "greatly", "(", "Jia", "and", "Liang", ",", "2017", ";", "Belinkov", "and", "Bisk", ",", "2018", ";", "Iyyer", "et", "al", ".", ",", "2018", ";", "Ribeiro", "et", "al", ".", ",", "2018", ";", "Wallace", "et", "al", ".", ",", "2019", ")", ".", "En-", "sembling", "the", "predictions", "of", "the", "model", "on", "multiple", "semantically", "equivalent", "variants", "of", "the", "input", "is", "a", "promising", "approach", "to", "address", "this", "issue", "(", "Anantha", "et", "al", ".", ",", "2021", ";", "Vakulenko", "et", "al", ".", ",", "2021", ")", "as", "it", "can", "reduce", "the", "spread", "or", "dispersion", "of", "the", "predictions.969", "Figure", "3", ":", "Illustrating", "annotation", "procedure", "of", "REToP", ".", "For", "each", "training", "instance", ",", "top", "N", "predictions", "given", "by", "the", "QA", "model", "are", "annotated", "conditioned", "on", "their", "correctness", "i.e", ".", "correct", "predictions", "are", "annotated", "as", "‘", "1", "’", "and", "incorrect", "predictions", "are", "annotated", "as", "‘", "0", "’", ".", "This", "annotated", "binary", "classification", "dataset", "is", "used", "to", "train", "the", "auxiliary", "model", ".", "We", "leverage", "the", "above", "technique", "in", "re-", "attempting", "the", "abstained", "questions", "i.e", ".", "we", "first", "generate", "multiple", "paraphrases", "of", "the", "input", "instance", "and", "then", "aggregate", "the", "model", "’s", "predictions", "on", "them", ".", "We", "use", "BART", "-", "large", "(", "Lewis", "et", "al", ".", ",", "2019", ")", "model", "fine", "-", "tuned", "on", "Quora", "Question", "Corpus", "(", "Iyer", "et", "al", ".", ",", "2017", ")", ",", "PAWS", "(", "Zhang", "et", "al", ".", ",", "2019", ")", ",", "and", "Microsoft", "Research", "Paraphrase", "Corpus", "(", "Dolan", "and", "Brockett", ",", "2005", ")", "for", "paraphrasing", "and", "explore", "the", "following", "strategies", "for", "aggregating", "the", "model", "predictions", ":", "•Mean", ":", "In", "this", "strategy", ",", "we", "calculate", "the", "average", "confidence", "assigned", "to", "each", "answer", "candidate", "across", "all", "predictions", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "I-MethodName", "I-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-DatasetName", "I-DatasetName", "I-DatasetName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-DatasetName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-DatasetName", "I-DatasetName", "I-DatasetName", "I-DatasetName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "Then", ",", "we", "select", "the", "candi-", "date", "with", "the", "highest", "average", "confidence", "as", "the", "system", "’s", "prediction", ".", "Note", "that", "the", "system", "will", "output", "this", "prediction", "only", "if", "its", "confidence", "sur-", "passes", "the", "abstention", "threshold", ".", "•Max", ":", "Here", ",", "like", "the", "mean", "strategy", ",", "we", "select", "the", "answer", "candidate", "with", "the", "highest", "average", "confidence", "but", "we", "use", "the", "maximum", "confidence", "assigned", "to", "that", "candidate", "as", "its", "prediction", "con-", "fidence", ".", "This", "is", "done", "to", "push", "the", "most", "confident", "prediction", "above", "the", "abstention", "threshold", ".", "2.3.2", "Re", "-", "Examining", "Top", "N", "Predictions", "(", "REToP", ")", "State", "-", "of", "-", "the", "-", "art", "models", "have", "achieved", "impressive", "performance", "on", "numerous", "NLP", "tasks", ".", "Even", "in", "cases", "where", "they", "fail", "to", "make", "a", "correct", "prediction", ",", "they", "are", "often", "able", "to", "rank", "the", "correct", "answer", "as", "one", "of", "their", "top", "N", "predictions", ".", "This", "provides", "op-", "portunities", "for", "re", "-", "examining", "the", "top", "N", "predictions", "to", "identify", "the", "correct", "answer", "in", "case", "of", "abstention", ".", "To", "this", "end", ",", "a", "model", "that", "can", "estimate", "the", "correct-", "ness", "of", "a", "prediction", "can", "be", "leveraged", ".", "Following", "this", "intuition", ",", "we", "develop", "an", "auxiliary", "model", "that", "takes", "the", "context", ",", "question", ",", "and", "a", "prediction", "as", "in-", "put", "and", "assigns", "a", "score", "indicating", "the", "likelihoodof", "that", "prediction", "to", "be", "correct", ".", "This", "model", "can", "be", "used", "for", "each", "of", "the", "top", "N", "predictions", "given", "by", "the", "QA", "model", "to", "select", "the", "one", "that", "is", "most", "likely", "to", "be", "the", "correct", "answer", ".", "Training", "Auxiliary", "Model", ":", "We", "first", "create", "data", "instances", "by", "annotating", "(", "context", ",", "question", ",", "predic-", "tion", ")", "triplets", "conditioned", "on", "the", "correctness", "of", "the", "QA", "system", "’s", "predictions", "and", "then", "train", "a", "classifica-", "tion", "model", "using", "this", "data", ".", "This", "model", "is", "specific", "to", "the", "given", "QA", "system", "and", "essentially", "learns", "to", "distinguish", "its", "correct", "and", "incorrect", "predictions", ".", "•Annotate", "(", "context", ",", "question", ",", "prediction", ")", "triplets", ":", "We", "utilize", "the", "trained", "QA", "model", "to", "get", "its", "top", "N", "predictions", "for", "each", "training", "instance", ".", "Then", ",", "we", "annotate", "each", "(", "context", ",", "question", ",", "pre-", "diction", ")", "triplet", "based", "on", "the", "prediction", "’s", "correct-", "ness", "i.e", ".", "a", "correct", "prediction", "is", "annotated", "as", "‘", "1", "’", "and", "an", "incorrect", "prediction", "is", "annotated", "as", "‘", "0", "’", ".", "Figure", "3", "illustrates", "this", "annotation", "step", ".", "•Train", "a", "classification", "model", ":", "Then", ",", "a", "binary", "classification", "model", "is", "trained", "using", "the", "anno-", "tated", "dataset", "collected", "in", "the", "previous", "step", ".", "This", "model", "specifically", "learns", "to", "distinguish", "the", "cor-", "rect", "predictions", "of", "the", "QA", "model", "from", "the", "incor-", "rect", "ones", ".", "Softmax", "probability", "assigned", "to", "the", "label", "‘", "1", "’", "corresponds", "to", "the", "likelihood", "of", "correct-", "ness", "for", "each", "prediction", ".", "Note", "that", "we", "use", "the", "QA", "model", "’s", "top", "N", "predictions", "to", "collect", "the", "‘", "0", "’", "annotations", "instead", "of", "randomly", "selecting", "candidates", "because", "this", "procedure", "results", "in", "highly", "informative", "negative", "instances", "(", "that", "are", "probable", "predictions", "and", "yet", "incorrect", ")", "and", "not", "easy", "/", "obvious", "negatives", ".", "This", "can", "help", "the", "auxil-", "iary", "model", "in", "learning", "fine", "-", "grained", "representations", "distinguishing", "correct", "and", "incorrect", "predictions", ".", "Leveraging", "Auxiliary", "Model", ":", "For", "an", "abstained", "instance", ",", "we", "compute", "the", "likelihood", "value", "for", "each970", "of", "the", "top", "Npredictions", "given", "by", "the", "QA", "model", "us-", "ing", "our", "trained", "auxiliary", "model", ".", "Then", ",", "we", "calculate", "the", "overall", "confidence", "(", "c", ")", "of", "each", "prediction", "(", "p", ")", "as", "a", "weighted", "average", "of", "the", "QA", "model", "’s", "probability", "(", "sq", ")", "and", "the", "auxiliary", "model", "’s", "likelihood", "score", "(", "sa", ")", "i.e.cpis", "calculated", "as", ":", "cp", "=", "α∗sp", "q+", "(", "1−α", ")", "∗sp", "a", "where", "αis", "a", "weight", "parameter", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "O", "O", "O", "O" ]

[ "We", "incorporate", "QA", "model", "’s", "probability", "as", "it", "pro-", "vides", "more", "flexibility", "to", "compute", "the", "overall", "confi-", "dence", ".", "Finally", ",", "prediction", "with", "the", "highest", "overall", "confidence", "is", "selected", "as", "the", "new", "prediction", ".", "We", "differentiate", "this", "method", "from", "existing", "methods", "such", "as", "calibration", "in", "Appendix", "C", ".", "2.3.3", "Human", "Intervention", "(", "HI", ")", "In", "intolerant", "application", "domains", "such", "as", "biomedi-", "cals", "where", "incorrect", "predictions", "can", "have", "serious", "consequences", ",", "human", "intervention", "is", "the", "most", "re-", "liable", "technique", "to", "answer", "the", "abstained", "instances", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "Human", "intervention", "can", "be", "in", "various", "forms", "such", "as", "providing", "relevant", "knowledge", "to", "the", "model", ",", "ask-", "ing", "clarifying", "questions", "(", "Rao", "and", "Daumé", "III", ",", "2018", ")", "or", "simplifying", "the", "input", "question", "." ]

[ "B-MethodName", "I-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "In", "this", "work", ",", "we", "explore", "a", "simple", "human", "intervention", "approach", "in", "which", "the", "system", "provides", "multiple", "predictions", "instead", "of", "only", "one", "prediction", "for", "the", "abstained", "instances", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "I-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "The", "human", "can", "then", "select", "the", "most", "suitable", "prediction", "from", "the", "provided", "predictions", ".", "Performance", "of", "this", "method", "can", "be", "approximated", "based", "on", "the", "presence", "of", "the", "correct", "answer", "in", "the", "predictions", "provided", "to", "the", "human", ".", "Note", "that", "the", "above", "approach", "would", "answer", "all", "the", "abstained", "in-", "stances", "and", "hence", "the", "coverage", "would", "always", "be", "100", "%", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MetricName", "O", "O", "O", "B-MetricValue", "I-MetricValue", "O" ]

[ "This", "implies", "that", "with", "the", "increase", "in", "ab-", "stention", "threshold", ",", "the", "risk", "would", "monotonically", "decrease", "as", "multiple", "predictions", "would", "be", "returned", "for", "a", "larger", "number", "of", "instances", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "I-HyperparameterName", "I-HyperparameterName", "O", "O", "B-MetricName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "In", "addition", "to", "the", "above", "approach", ",", "we", "also", "ex-", "plore", "a", "REToP", "-", "centric", "HI", "approach", "in", "which", "the", "system", "returns", "multiple", "predictions", "only", "when", "RE-", "ToP", "surpasses", "the", "confidence", "threshold", "in", "the", "post-", "abstention", "stage", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "I-MethodName", "I-MethodName", "I-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "I-HyperparameterName", "O", "O", "B-TaskName", "I-TaskName", "O", "O" ]

[ "Similar", "to", "REToP", ",", "it", "abstains", "on", "the", "remaining", "instances", "." ]

[ "O", "O", "B-MethodName", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "Finally", ",", "we", "note", "that", "comparing", "the", "performance", "of", "HI", "approaches", "with", "other", "post", "-", "abstention", "approaches", "would", "be", "unfair", "as", "other", "approaches", "return", "only", "a", "single", "prediction", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "O", "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "We", "use", "the", "pre-", "processed", "data", "from", "the", "MRQA", "shared", "task", "(", "Fisch", "et", "al", ".", ",", "2019", ")", "for", "our", "experiments", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "B-DatasetName", "I-DatasetName", "I-DatasetName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]

[ "Implementation", "Details", ":", "We", "run", "all", "our", "exper-", "iments", "using", "the", "huggingface", "(", "Wolf", "et", "al", ".", ",", "2020", ")", "implementation", "of", "transformers", "on", "Nvidia", "V100", "16", "GB", "GPUs", "with", "a", "batch", "size", "of", "32and", "learning", "rate", "ranging", "in", "{", "1−5", "}", "e−5", ".", "We", "generate", "10para-", "phrases", "of", "the", "question", "in", "Ensembling", "method", ",", "re-", "examine", "top", "10predictions", ",", "vary", "αin", "the", "range", "0.3−0.7for", "REToP", "method", ",", "and", "vary", "the", "number", "of", "predictions", "in", "the", "range", "2to5for", "HI", "methods", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterValue", "B-HyperparameterName", "I-HyperparameterName", "I-HyperparameterName", "I-HyperparameterName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-HyperparameterName", "O", "O", "B-HyperparameterValue", "B-MethodName", "O", "O", "O", "O", "O", "B-HyperparameterName", "I-HyperparameterName", "I-HyperparameterName", "O", "O", "O", "B-HyperparameterValue", "B-MethodName", "O", "O" ]

[ "Since", "the", "focus", "of", "this", "work", "is", "on", "post", "-", "abstention", ",", "it", "’s", "crucial", "to", "experiment", "with", "models", "that", "leave", "sufficient", "room", "for", "effectively", "evaluating", "the", "ability", "of", "post", "-", "abstention", "methods", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-TaskName", "I-TaskName", "I-TaskName", "O", "O" ]

[ "For", "that", "reason", ",", "we", "ex-", "periment", "with", "a", "small", "size", "model", "(", "BERT", "-", "mini", "hav-", "ing", "just", "11.3", "M", "parameters", ")", "from", "Turc", "et", "al", "." ]

[ "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "B-MethodName", "I-MethodName", "I-MethodName", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O", "O" ]