?unlabeled

unlabeled發(fā)音

英：　　美：

unlabeled中文意思翻譯

adj. 沒有標(biāo)簽的

unlabeled常見例句

1 、Active Learning with Labeled and Unlabeled Samples for Content-Based Image Retrieval───圖像檢索中基于標(biāo)記與未標(biāo)記樣本的主動(dòng)學(xué)習(xí)算法

2 、In this thesis, we propose a new algorithm to obtain edit distance between unlabeled ordered trees derived from streaming XML data.───在本篇論文中，我們提出一個(gè)新的樹狀距離嵌入演算法，用來比較從串流可擴(kuò)展標(biāo)記語言文件中取得的無標(biāo)記有序樹狀結(jié)構(gòu)。

3 、Anomaly Detection Model with Unlabeled Training Data───一種無類標(biāo)訓(xùn)練數(shù)據(jù)異常檢測模型

4 、unlabeled block───無標(biāo)號(hào)分程序可變塊

5 、Fur from China - much of it unlabeled - ends up in stores all across America.───美國所有的商店都已經(jīng)禁止銷售中國用這種方法生產(chǎn)的皮毛.

6 、Need for government relieve program approx 88 containers, tins of fish can be unlabeled or labeled just need some printing o...───政府救濟(jì)計(jì)劃需要魚罐頭約88集裝箱，罐體無標(biāo)簽，或?qū)?biāo)簽印在外包裝箱上。

7 、As a generalization of chromatic polynomials of labeled and unlabeled graphs,the notion of chromatic polynomials of partial labeled graphs is introduced.───引入了局部標(biāo)定圖的概念，使得標(biāo)定圖和非標(biāo)定圖都成為它的兩個(gè)特殊情形，它的色多項(xiàng)式統(tǒng)一了標(biāo)定圖的色多項(xiàng)式和非標(biāo)定圖的色多項(xiàng)式。

8 、The machine learning accuracy can be improved by making use of both labeled and unlabeled data in semi-supervised learning.───摘要同時(shí)利用半監(jiān)督學(xué)習(xí)中的標(biāo)記數(shù)據(jù)與非標(biāo)記數(shù)據(jù)，可以提高機(jī)器學(xué)習(xí)的能力。

9 、But the new ingredient in the tomato is invisible because transgenic crops are, for the most part, unlabeled and mixed in with the rest of the harvest.───但是，番茄中的新成分是看不見的，因?yàn)榇蠖鄶?shù)情況下轉(zhuǎn)基因作物是不標(biāo)明的，并且與其余的作物混在一起。"

10 、unlabeled statement───無標(biāo)號(hào)語句

11 、The algorithm marks unlabeled instances using classifier ensemble technology and class-center method in each subspace, which update the classification model.───該算法在每個(gè)子空間上通過分類器集成技術(shù)和類中心法給未標(biāo)記樣本進(jìn)行標(biāo)記，從而使分類器模型得以更新。

12 、Consequently the method can classify the unlabeled text accurately and also can gain a better result of classification.───在訓(xùn)練過程中,首先用訓(xùn)練文本訓(xùn)練分類器,得到最優(yōu)的文本特征集合。

13 、Expand Components, and then expand the unlabeled member of the Model Name level.───展開“組件”,再展開“型號(hào)名稱”級(jí)別的未標(biāo)記成員。

14 、(2) For all unlabeled columns so far, those between two successive non-segmentation-regions belong to a segmentation region.───（ 2 ）對(duì)于所有標(biāo)簽欄到目前為止，這些接連兩次非分割區(qū)域?qū)儆诜指顓^(qū)域。

15 、NIGAM K,MCCALLUM A,THRUN S,et al.Text classification from labeled and unlabeled documents using EM[J].Machine Learning,2000,39(2-3):103-134.───任美睿,李建中,楊艷.基于樸素貝葉斯方法的自動(dòng)文本分類系統(tǒng)的實(shí)現(xiàn)[J].計(jì)算機(jī)科學(xué),2002(8,增刊):285-87.

16 、unlabeled compound statement───無標(biāo)號(hào)復(fù)合語句

17 、Found in his apartment with various unlabeled prescription med bottles and a few syringes.─── 在他的家里發(fā)現(xiàn)了很多 沒有標(biāo)簽的處方藥瓶子和一些注射器

18 、In this paper, an online semi-supervised learning method based on multi-kernel ensemble is proposed, which enables online learning even if the received example is unlabeled.───提出一種基于多核集成的在線半監(jiān)督學(xué)習(xí)方法，使得在線學(xué)習(xí)器即使在接收到?jīng)]有標(biāo)記的數(shù)據(jù)時(shí)也能進(jìn)行在線學(xué)習(xí)。

19 、If no label has been specified,dynamic panels will be identified as "Unlabeled".───沒有指定標(biāo)簽時(shí)，動(dòng)態(tài)面板將標(biāo)識(shí)為“Unlabeled”。

20 、All chromosomes of the large genomes, maize and barley, were densely labeled with strongly labeled regions and weakly labeled or unlabeled regions being arranged alternatively throughout the lengths.───大基因組的玉米和大麥的所有染色體都被密集地標(biāo)記，并在染色體全長顯示出強(qiáng)標(biāo)記區(qū)與弱標(biāo)記或不標(biāo)記區(qū)的交替排列。

21 、But I agree with him that “unlabeled, it’s a fun test of your knowledge of nations , can you guess them all?───這是一項(xiàng)考察你對(duì)世界各國知識(shí)的有趣測試，你能全部猜中嗎？

22 、In brief, the paper holds that caring activities unlabeled as education still is education, whereas caring education is more meaningful, more educative education.───總之，筆者認(rèn)為：沒有貼著教育標(biāo)簽的關(guān)懷仍然是教育，而融入關(guān)懷的教育則是意蘊(yùn)更豐富的教育、更體現(xiàn)教育性的教育。

23 、Illustration of Jet Striking Galaxy (unlabeled) Each wavelength shows a different aspect of this system, known as 3C321.───撞擊星系發(fā)射物的**圖在每一個(gè)波段都展示了名叫3c321系統(tǒng)的不同面貌。

24 、Some basic properties of the chromatic polynomials of connected unlabeled graphs arediscussed and expressions of some important connected unlabeled graphs are given in thispaper.───本文研究連通的非標(biāo)定圖色多項(xiàng)式的基本性質(zhì)，給出了若干類常見連通非標(biāo)定圖色多項(xiàng)式的一般表達(dá)式。

25 、unlabeled document───未標(biāo)注文本

26 、unlabeled common storage───無標(biāo)號(hào)公用存儲(chǔ)器

27 、unlabeled antigen───非標(biāo)記抗原

28 、In this paper, we present an algorithm called Weighted Unlabeled Sample Support Vector Machine (WUS-SVM), based on which a new partially supervised classification method is proposed.───提出了一種基于加權(quán)無標(biāo)識(shí)樣本支撐向量機(jī)(WUS-SVM),并在其基礎(chǔ)發(fā)展出一種不完全監(jiān)督分類方法。

29 、19 An unlabeled bottle is known to contain either n-pentane,1-pentene,or 1-pentyne.How would you distinguish the samples by means of NMR and IR───答:一個(gè)沒有標(biāo)簽的試劑瓶中裝的可能是正戊烷,1-戊烯或1-戊炔,借助核磁共振和紅外光譜如何去分析出樣品

30 、However, most of the state-of-art online learning methods that tackle the real-time prediction problem work are not able to exploit the unlabeled data.───然而，目前的在線學(xué)習(xí)方法并不能利用未標(biāo)記數(shù)據(jù)進(jìn)行學(xué)習(xí)，致使學(xué)得的模型并不能即時(shí)反映數(shù)據(jù)的動(dòng)態(tài)變化，降低其實(shí)時(shí)響應(yīng)能力。

31 、unlabeled arc───無標(biāo)記弧

32 、unlabeled luggage is liable to be lost.───未貼標(biāo)簽的行李當(dāng)然會(huì)丟。

33 、The changes of activity and fluorescence spectrum of the labeled and unlabeled lipase were examined under various temperatures, pH and different concentrations of guanidine hydrochloride.───在不同變性條件下，比較了標(biāo)記與未標(biāo)記的脂肪酶活性變化及相對(duì)應(yīng)的熒光光譜。

34 、Research on Using Unlabeled Data to Improve the Performance of SVM Classifier───利用未標(biāo)記數(shù)據(jù)提高SVM分類器性能的研究

35 、There are a lot of unlabeled meds in her place.─── 在她家里有很多無標(biāo)簽的藥物

36 、unlabeled file───無標(biāo)號(hào)文件

37 、According to "semisupervised learning", both labeled and unlabeled data are used to train classifier.───摘要根據(jù)“半監(jiān)督學(xué)習(xí)”方法，利用已經(jīng)標(biāo)注好的訓(xùn)練樣本和無標(biāo)注的訓(xùn)練樣本一起訓(xùn)練分類器。

38 、Produces a classification scheme for a set of unlabeled objects───給出一組未標(biāo)記的對(duì)象

39 、One of the key challenges in deformable shape modeling is to estimate a meaningful average or mean shape from a set of unlabeled shapes.───摘要可形變形狀模型化的一個(gè)關(guān)鍵問題就是從一系列未標(biāo)記的形狀點(diǎn)集中估計(jì)一個(gè)有意義的平均形狀。

40 、unlabeled data set───未標(biāo)注集

41 、Extracting initial strongly negative data set from positive data and unlabeled data is a base for constructing a PU-oriented text classifier by two stage frame method.───利用正樣例集合和未標(biāo)識(shí)樣例集合獲取初始的最強(qiáng)反例集合是使用兩步框架方法構(gòu)造一個(gè)面向PU問題文本分類器的基礎(chǔ)。

42 、This clustering algorithm can deal with network intrusion detection from mass unlabeled data, distinguish between normal and abnormal data and detect unknown attacks.───該算法可實(shí)現(xiàn)對(duì)大規(guī)模無標(biāo)識(shí)原始數(shù)據(jù)的入侵檢測，區(qū)分正常和異常行為，并能檢測到未知攻擊。

43 、unlabeled basic statement───無標(biāo)號(hào)基本語句

44 、Unlabeled data───未標(biāo)注數(shù)據(jù)

45 、unlabeled sample───無標(biāo)簽樣本

46 、In addition, CISC outperforms three compared methods in efficiency for labeled graphs.For graphs with little regularity, CISC is the best even the graphs are unlabeled.───CISC在標(biāo)簽圖形的表現(xiàn)較其他三種知名的方法為佳，具有最少的比對(duì)時(shí)間，特別當(dāng)圖形沒有規(guī)律性時(shí)，CISC在非標(biāo)簽圖形的表現(xiàn)也是最好的。

47 、Results Multinucleated giant cells were mainly labeled by CD68, ACT,AACT and lysozyme, but were unlabeled by PCNA.───結(jié)果多核巨細(xì)胞主要表達(dá)CD68、AACT、ACT以及溶菌酶,無一表達(dá)PCNA;

CONTAINER: Few-Shot Named Entity Recognition via Contrastive Learning

FewShot NER對(duì)于低資源域中的實(shí)體標(biāo)記至關(guān)重要?，F(xiàn)有的方法僅從源域?qū)W習(xí)特定于類的語義特征和中間表示。這會(huì)影響對(duì)看不見的目標(biāo)域的通用性，從而導(dǎo)致性能不佳。為此，我們提出了CONTAINER，這是一種新的對(duì)比學(xué)習(xí)技術(shù)，它優(yōu)化了標(biāo)記間的分布距離。CONTAINER沒有優(yōu)化特定于類的屬性，而是 優(yōu)化了一個(gè)廣義目標(biāo) ，即基于高斯分布embedding區(qū)分token類別。這有效地緩解了源自訓(xùn)練領(lǐng)域的過度匹配問題。

few-shot learning涉及從很少的標(biāo)記示例中學(xué)習(xí)看不見的類。為了避免對(duì)有限的可用數(shù)據(jù)進(jìn)行過度擬合，引入了元學(xué)習(xí)來重點(diǎn)關(guān)注如何學(xué)習(xí)。提出原型網(wǎng)絡(luò)來學(xué)習(xí)度量空間，其**定未知類的示例圍繞單個(gè)原型聚集。雖然它主要部署在計(jì)算機(jī)視覺中，但Fritzler等人和Hou等人也使用了fewshot-NER的原型網(wǎng)絡(luò)。另一方面，Yang和Katiyar提出了一個(gè)有監(jiān)督的NER模型學(xué)習(xí)特定于類的功能并將中間表示擴(kuò)展到看不見的域。此外，他們還采用了維特比**模型的變體“StructShot”

Few shot NER比其他few shot學(xué)習(xí)任務(wù)更加困難。首先，作為序列標(biāo)注任務(wù)，NER要求根據(jù)上下文以及標(biāo)簽內(nèi)的依賴關(guān)系進(jìn)行標(biāo)簽分配。其次，在NER中，在訓(xùn)練集中被標(biāo)記為O的token很可能對(duì)應(yīng)于測試集中的有效目標(biāo)實(shí)體，這對(duì)于原型網(wǎng)絡(luò)等元學(xué)習(xí)方法提出了挑戰(zhàn)。（對(duì)于原型網(wǎng)絡(luò)，這對(duì)圍繞單個(gè)原型聚集實(shí)體示例的概念提出了挑戰(zhàn)）。對(duì)于Yang和Katiyar（2020）等基于最近鄰的方法，它們最初是“預(yù)訓(xùn)練”的，目標(biāo)是源類特定的監(jiān)督。因此，訓(xùn)練的權(quán)重將與源類緊密聯(lián)系，網(wǎng)絡(luò)將投影訓(xùn)練集O標(biāo)記，以便它們?cè)谇度肟臻g中聚集。 這將迫使embedding在測試集中刪除許多與真正目標(biāo)實(shí)體相關(guān)的有用特征。第三，在少數(shù)鏡頭設(shè)置中，沒有足夠的樣本可以從中選擇驗(yàn)證集。這降低了超參數(shù)調(diào)整的能力，這尤其會(huì)影響基于模板的方法，其中提示選擇對(duì)于良好的性能至關(guān)重要（Cui等人，2021）。事實(shí)上，由于缺乏持續(xù)有效的驗(yàn)證集，許多早期的少數(shù)鏡頭作品都受到了質(zhì)疑，他們的策略是否真的是“少數(shù)鏡頭”（Perez et al.，2021）

為了應(yīng)對(duì)這些挑戰(zhàn)，作者提出了一種新的方法 CONTAINER，利用對(duì)比學(xué)習(xí)的來解決fewshot NER。 CONTAINER試圖減少對(duì)相似實(shí)體的token embedding的距離，同時(shí)增加對(duì)不同實(shí)體的token embedding的距離（圖1） 。這使得CONTAINER能夠更好地捕獲標(biāo)簽依賴關(guān)系。此外，由于CONTAINER是用一個(gè)廣義目標(biāo)進(jìn)行訓(xùn)練的，因此它可以有效地避免先前的方法打O的缺陷。最后，CONTAINER不需要任何特定于數(shù)據(jù)集的prompt或超參數(shù)調(diào)整。

與傳統(tǒng)的對(duì)比學(xué)習(xí)不同優(yōu)化point embedding優(yōu)化樣本距離， container優(yōu)化了分布散度，有效地建模高斯embedding。高斯embedding顯式地建模實(shí)體類分布，這不僅促進(jìn)了廣義特征表示，而且有助于少樣本目標(biāo)域自適應(yīng)

因此高斯嵌入顯式地建模實(shí)體類分布，這不僅促進(jìn)了廣義特征表示，而且有助于少樣本目標(biāo)域的自適應(yīng)。之前在高斯嵌入方面的工作也表明， 映射到密度可以捕獲表示的不確定性（Vilnis和McCallum，2014），并表示自然不對(duì)稱性（Qian等人，2021），同時(shí)顯示出更好的泛化，用更少的數(shù)據(jù)來實(shí)現(xiàn)最佳績效 （Bojchevski和Günnemann，2017）。受高斯嵌入的這些獨(dú)特特性的啟發(fā)，在這項(xiàng)工作中，我們利用高斯embedding進(jìn)行對(duì)比學(xué)習(xí)for few-shot。評(píng)估期間的最近鄰分類方案顯示，平均而言，CONTAINER在廣泛的測試中顯著優(yōu)于之前的SOTA方法，其F1絕對(duì)分?jǐn)?shù)高達(dá)13%。特別是，我們根據(jù)Yang和Katiyar（2020）在各種數(shù)據(jù)集（CoNLL'03，OntoNotes 5.0，WNUT'17，I2B2），在域內(nèi)和域外實(shí)驗(yàn)中廣泛測試了我們的模型。我們還在提出的一個(gè)大型數(shù)據(jù)集Few-Shot NERD（Ding等人，2021）中測試了我們的模型，其中CONTAINER優(yōu)于所有其他SOTA方法，在排行榜上設(shè)定了一個(gè)新的基準(zhǔn)結(jié)果

綜上所述，我們的貢獻(xiàn)如下：

（1）CONTAINER利用對(duì)比學(xué)習(xí)來推斷其高斯embedding的分布距離。

（2）CONTAINER representation更適合于適應(yīng)看不見的新類，即使支持樣本數(shù)量較少

訓(xùn)練集和測試集tag沒有交集，N-wayK-shot表示測試集tag數(shù)量為N，每一個(gè)tag有K個(gè)examples

遵循IO標(biāo)記方案，其中I-type表示所有標(biāo)記都在一個(gè)實(shí)體內(nèi)，O-type表示所有其他標(biāo)記

在此，通過計(jì)算多個(gè)測試集的micro-F1分?jǐn)?shù)來評(píng)估模型。每集由一個(gè)K-shot support set和一個(gè)K-shot unlabeled （test）set組成做出預(yù)測。從原始開發(fā)集中抽取多個(gè)支持集，用它們進(jìn)行預(yù)測。

CONTAINER利用對(duì)比學(xué)習(xí)來優(yōu)化不同標(biāo)記實(shí)體表示之間的分布差異。 沒有關(guān)注特定標(biāo)簽的屬性 ，而是 顯式地訓(xùn)練模型來區(qū)分不同類別的標(biāo)記 。

此外，高斯embedding代替?zhèn)鹘y(tǒng)的point representation可以有效地讓CONTAINER對(duì)實(shí)體類分布進(jìn)行建模，從而激發(fā)標(biāo)記的廣義表示。

最后，它允許我們仔細(xì)微調(diào)我們的模型，即使使用少量樣本，也不會(huì)過度擬合，這對(duì)于域自適應(yīng)來說是必不可少的。

如圖2所示，我們首先在源域中訓(xùn)練模型。接下來，我們使用幾個(gè)示例支持集對(duì)模型表示進(jìn)行微調(diào)，以使其適應(yīng)目標(biāo)域。算法1說明了容器的訓(xùn)練和微調(diào)。最后，我們使用 實(shí)例級(jí)最近鄰分類器在測試集中進(jìn)行推理 。

用BERT作為PLM編碼器。因此，給定n個(gè)token序列[x1，x2，…，xn]，我們將PLM的最終隱藏層輸出作為中間表征

然后，這些中間表示通過簡單的投影層傳遞，以生成embedding，我們假設(shè)token embedding遵循高斯分布。我們使用投影網(wǎng)絡(luò)fµ和f∑來生成高斯分布參數(shù)：

mu和sigma表示平均值和對(duì)角協(xié)方差（僅含非零元素分別沿矩陣的對(duì)角線）的高斯嵌入

為了計(jì)算對(duì)比損失，我們考慮了樣本批次中所有有效token對(duì)之間的KL散度，兩個(gè)token如果有相同的label，那么就被視為positive樣本

KL散度的兩個(gè)方向都是計(jì)算的，因?yàn)樗遣粚?duì)稱的。

我們首先在資源豐富的源域中,Xtr的訓(xùn)練我們的模型。在每個(gè)訓(xùn)練步驟中，我們隨機(jī)抽取一批序列X∈ 來自訓(xùn)練集中的Xtr，每個(gè)批次大小為b，我們通過將相應(yīng)的token序列通過模型獲得其高斯嵌入N（µi，∑i）。

我們?cè)谂沃姓业綐颖緋的正樣本Xp，然 后計(jì)算Xp相對(duì)于批次中所有其他有效token的高斯embedding損失 ：

通過這種方式，我們計(jì)算 批次中 所有token對(duì)的分布散度，X表示所有token對(duì)，分母項(xiàng)表示正集，分子項(xiàng)目表示在token對(duì)中，除了自己對(duì)以外的對(duì)。

在源域中進(jìn)行訓(xùn)練后，我們使用少量目標(biāo)域支持樣本，按照與訓(xùn)練階段類似的步驟對(duì)模型進(jìn)行微調(diào)。由于我們只有少量樣本可供微調(diào)，所以我們將其化為single batch。當(dāng)目標(biāo)類有多個(gè)few-shot sample（例如，5-shot）可用時(shí)，模型可以通過優(yōu)化高斯embedding的KL散度有效地適應(yīng)新域

相比之下，對(duì)于1-shot的情況，模型適應(yīng)目標(biāo)類分布的難度很大。如果模型沒有關(guān)于目標(biāo)類的先驗(yàn)知識(shí)，單個(gè)示例可能不足以推斷目標(biāo)類分布的方差。因此，對(duì)于one-shot場景，我們優(yōu)化了

嵌入分布均值之間的平方歐氏距離。當(dāng)模型對(duì)所涉及的目標(biāo)類別有直接/間接的先驗(yàn)知識(shí)時(shí)，我們?nèi)匀粫?huì)優(yōu)化分布的KL散度，類似于5-shot場景。

我們?cè)诒?中證明，使用平方歐幾里德距離進(jìn)行優(yōu)化可以使我們?cè)趏ne-shot場景中獲得更好的性能。

然而，在所有情況下，在5-shot支持集下，優(yōu)化高斯embedding之間的KL散度可以得到最好的結(jié)果。

使用較小的支持集進(jìn)行微調(diào)，則會(huì)有過度擬合的風(fēng)險(xiǎn)，并且由于目標(biāo)域中的數(shù)據(jù)不足，無法訪問保留的驗(yàn)證集，因此我們無法跟蹤需要停止微調(diào)的飽和點(diǎn)。為了緩解這種情況，我們計(jì)算出對(duì)比損失，并將其作為我們的早期停止標(biāo)準(zhǔn)，previous_score=1e+6

在分別使用訓(xùn)練數(shù)據(jù)和支持?jǐn)?shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和微調(diào)后，提取預(yù)訓(xùn)練的語言模型編碼器PLM進(jìn)行推理。與SimCLR（Chen et al.，2020）類似，我們發(fā)現(xiàn)投影層之前的 representations實(shí)際上包含比最終輸出表示更多的信息，這有助于提高性能，因此fµ和f∑投影頭不用于推理。因此，我們計(jì)算PLM中測試數(shù)據(jù)的表示，并找到用于推理的最近鄰支持集表示

對(duì)于每一個(gè)support token求出的表征h(j,sup) from support set,對(duì)于每一個(gè)test token求出的表征h(j,test) from test set,我們?yōu)樵谧罱廝LM的表征空間里為x(i,test)分配與support token相同的label

之前的大多數(shù)工作都注意到使用CRF可以消除錯(cuò)誤預(yù)測以提高性能，從而提高了性能。因此我們還在推理階段使用維特比**，并使用StructShot中的抽象轉(zhuǎn)移分布。對(duì)于轉(zhuǎn)移概率，通過計(jì)算三個(gè)抽象標(biāo)記O、I和I-other在訓(xùn)練集中的出現(xiàn)次數(shù)來估計(jì)它們之間的轉(zhuǎn)移。然后，對(duì)于目標(biāo)域標(biāo)記集，將這些轉(zhuǎn)移概率均勻分布到相應(yīng)的目標(biāo)分布中. 對(duì)于發(fā)射概率，通過近鄰?fù)茢嘤?jì)算。將領(lǐng)域遷移結(jié)果(表3)于其它任務(wù)(表2，4，5)比較，作者發(fā)現(xiàn)，如果測試數(shù)據(jù)中沒有涉及明顯的領(lǐng)域遷移,對(duì)比學(xué)習(xí)允許CONTaiNER自動(dòng)抽取標(biāo)簽依賴，避免了額外維特比**階段的要求

Write a paragraph of classification and example w

Title:

System for estimating a distribution of message content categories in source data

United States Patent Application 20090030862 Kind Code: A1

Abstract:

A method of computerized content analysis that gives “approximately unbiased and statistically consistent estimates” of a distribution of elements of structured, unstructured, and partially structured source data among a set of categories. In one embodiment, this is done by analyzing a distribution of small set of individually-classified elements in a plurality of categories and then using the information determined from the analysis to extrapolate a distribution in a larger population set. This extrapolation is performed without constraining the distribution of the unlabeled elements to be equal to the distribution of labeled elements, nor constraining a content distribution of content of elements in the labeled set (e.g., a distribution of words used by elements in the labeled set) to be equal to a content distribution of elements in the unlabeled set. Not being constrained in these ways allows the estimation techniques described herein to provide distinct advantages over conventional aggregation techniques.