该研究旨在提供计算机辅助教学的解释方式，建立一个能够为学习者提供理解性反馈的框架，指导学习者更好地理解相关概念和知识点。研究表明，相较于其他传统方法，该框架能够显著提高学习者在复杂分类任务中的表现。

Feb, 2018

本文介绍一种名为 “学习教学” 的方法，它利用两个智能代理相互交互：一个学生模型和一个教师模型。教师模型利用学生模型的反馈来优化自己的教学策略，以达到教师和学生的共同进化，并在各种机器学习任务下通过使用深度神经网络等模型来展示这一方法的实用价值。

May, 2018

利用 “teacher-student” 训练范式可以补充有限数量的人类提供的注释，使得在构建大型数据集时可以生成任意数量的模型生成的图像注释，并且在四种模型架构和两种显著性估计方法中均表现出优异的性能。

Jun, 2023

通过基于人类教学的伪边际抽样实现机器学习的普适性教学方法，成功地在主题模型上进行训练，并在电影简介数据中验证了该方法的优势。

May, 2016

本篇论文讨论了交互式学习的问题，包括主动学习和互动学习，提出了一种支持交互学习的平台架构，并介绍了其在机器学习和用户界面方面的应用研究。

Sep, 2014

研究了人工智能与人类合作决策的有效性，提出基于样例的教学策略，利用近邻规则和代理的强弱进行教学，有效提高任务表现。

Nov, 2021

本研究提出了一种 “从 AI 学习” 的方法，该方法在深度学习模型中融入了专家知识，通过交互编辑注意力地图来学习判断依据，实现了比传统方法更高效的学习效果。

Jun, 2023

研究机器教学中教师与学生 / 学习者的交互，考虑教师知识存在不完美和嘈杂的情况，研究教师如何在这种情况下通过构建最佳教学集成功或失败地有效教授学习者以完成特定任务，其结果对于设计现实世界中的健壮教学算法具有重要的启示。

Mar, 2020

本文介绍了一个交互式系统，使用户能够操作图像，探索深度学习图像分类器的稳健性和灵敏度，用户可以使用图像修复算法删除图像特征并实时获得新的分类，从而通过实验性地修改图像并观察模型的反应，提出各种 “如果” 的问题。我们的系统允许用户比较和对比人类和机器学习模型用于分类的图像区域，揭示了一系列惊人的结果，从可观的失败（例如，“水瓶” 图像在去除一个人后变成了 “音乐会” ）到卓越的弹性（例如，“棒球选手” 图像即使没有手套或基座也能正确分类）。我们在 CVPR 会议上展示了我们的系统以供观众直播尝试，我们的系统在 https 网址上开源，视频演示可在此 https 网址上获得。

Jun, 2018

本文提出了一种两个主要组成部分的框架来避免类别增量持续学习中的灾难性遗忘，包括动态架构和训练过程，结果表明这种解决方案在医疗数据集上能够实现比现有技术水平更好的类别准确性和遗忘能力。

Mar, 2023