With the development of IIoT (Industrial Internet of Things), Artificial Intelligence technology is widely used in many research areas, such as image classification, speech recognition, and information retrieval. Traditional supervised machine learning obtains labels from high-quality oracles, which is high cost and time-consuming and does not consider security. Since multi-label active learning becomes a hot topic, it is more challenging to train efficient and secure classification models, and reduce the label cost in the field of IIoT. To address this issue, this research focuses on the secure multi-label active learning for IIoT using an economical and efficient strategy called crowdsourcing, which involves querying labels from multiple low-cost annotators with various expertise on crowdsourcing platforms rather than relying on a high-quality oracle. To eliminate the effects of annotation noise caused by imperfect annotators, we propose the Multi-label Active Learning from Crowds (MALC) method, which uses a probabilistic model to simultaneously compute the annotation consensus and estimate the classifier’s parameters while also taking instance similarity into account. Then, to actively choose the most informative instances and labels, as well as the most reliable annotators, an instance-label-annotator triplets selection technique is proposed. Experimental results on two real-world data sets show that the performance of MALC is superior to existing methods.

随着IIoT（工业物联网）的发展，人工智能技术被广泛应用于图像分类、语音识别、信息检索等诸多研究领域。传统的有监督机器学习从高质量的预言机中获取标签，成本高、耗时长，且不考虑安全性。由于多标签主动学习成为热门话题，因此在工业物联网领域训练高效安全的分类模型、降低标签成本更具挑战性。为了解决这个问题，这项研究的重点是使用称为众包的经济高效的策略，针对 IIoT 进行安全的多标签主动学习，这涉及在众包平台上从多个具有各种专业知识的低成本注释者那里查询标签，而不是依赖于高质量的预言机。为了消除不完善的注释器引起的注释噪声的影响，我们提出了多标签主动学习人群（MALC）方法，该方法使用概率模型同时计算注释一致性和估计分类器的参数，同时考虑实例相似性. 然后，为了主动选择信息量最大的实例和标签，以及最可靠的注释器，提出了一种实例-标签-注释器三元组选择技术。在两个真实世界数据集上的实验结果表明，MALC 的性能优于现有方法。为了消除不完善的注释器引起的注释噪声的影响，我们提出了多标签主动学习人群（MALC）方法，该方法使用概率模型同时计算注释一致性和估计分类器的参数，同时考虑实例相似性. 然后，为了主动选择信息量最大的实例和标签，以及最可靠的注释器，提出了一种实例-标签-注释器三元组选择技术。在两个真实世界数据集上的实验结果表明，MALC 的性能优于现有方法。为了消除不完善的注释器引起的注释噪声的影响，我们提出了多标签主动学习人群（MALC）方法，该方法使用概率模型同时计算注释一致性和估计分类器的参数，同时考虑实例相似性. 然后，为了主动选择信息量最大的实例和标签，以及最可靠的注释器，提出了一种实例-标签-注释器三元组选择技术。在两个真实世界数据集上的实验结果表明，MALC 的性能优于现有方法。它使用概率模型同时计算注释一致性并估计分类器的参数，同时还考虑了实例相似性。然后，为了主动选择信息量最大的实例和标签，以及最可靠的注释器，提出了一种实例-标签-注释器三元组选择技术。在两个真实世界数据集上的实验结果表明，MALC 的性能优于现有方法。它使用概率模型同时计算注释一致性并估计分类器的参数，同时还考虑了实例相似性。然后，为了主动选择信息量最大的实例和标签，以及最可靠的注释器，提出了一种实例-标签-注释器三元组选择技术。在两个真实世界数据集上的实验结果表明，MALC 的性能优于现有方法。