Mar, 2019

算法自动化问题：预测、分流和人力投入

PDF
TL;DR本文描述了机器人决策背后的决策过程，提出了一个基于优化问题的框架来优化自动化任务， 在基于这个框架的基础上提高算法的制定和实践，实现自动化的快速和迅速发展。
automationalgorithmic predictionhuman judgmentoptimization problemerror estimation
发现论文，激发创造
  • 人类专业知识审计

    研究发现，即使在诊断精度高于人类专家的情况下，人类专家仍然可能会为高风险预测任务添加价值，并提出了一种统计框架来检测这种专家水平。这个框架在急诊科的数据上进行了测试。

    Jun, 2023

  • 区分不可区分的事物：算法预测中的人类专业知识

    将人类专业知识用于算法预测中，通过选择性地融入人类反馈来改进预测性能，证实专家的主观信息可以显著提高特定实例的算法预测准确性，从而实现有效的人工智能与人类的合作。

    Feb, 2024

  • 人类 - 算法交互决策的必要性：在算法评分错误的情况下

    该研究探讨了算法工具在儿童虐待热线筛选决策方面的应用，结果显示人类对机器的建议进行了更改，缺乏自主权的全自动化决策管道存在风险。

    Feb, 2020

  • 用统计检验算法替换人类决策者

    本研究构建了一种基于统计学的人工智能框架，能够通过对人工预测结果的基准测试，将部分医生的诊断建议替换成人工智能算法的推荐，实验证明在异常分娩检测上具有比医生更准确的真实阳性率和更低的假阳性率，特别是在较不发达地区，更容易替代乡村医生的诊断。

    Jun, 2023

  • 分诊下的可微分学习

    本文通过正式表征哪些情况下预测模型可以从算法分流中受益来探讨预测模型与人类专家之间的相互作用，提出了一种确定性阈值规则，介绍了一种可实际应用的基于梯度的算法，并在人工专业及科学发现的数据中进行了实验，论证了该算法提供的模型及分流策略具有优于其他竞争基线的性能。

    Mar, 2021

  • 将人类从学习应用中剔除：自动化机器学习综述

    本文介绍了 AutoML 问题的定义和解决方案，项目分类和现有工作的审查，并提出了一个 AutoML 框架以减少对人类专家的需求和提高学习性能。

    Oct, 2018

  • 评估自动建议对决策的影响：领域专家调节模型错误但采取较少主动

    本文研究在临床记录上添加自动标记的影响，发现专家用户对于何时依靠自动处理和何时依靠自己的判断有建立信心的直觉，但当提供全自动处理时，这些用户表现出比较低的自主性和更容易接受错误的提议。

    Mar, 2021

  • 可解释 AI 对自动化偏见的影响

    本研究旨在探讨可解释人工智能对自动化偏见的潜在影响。利用一个酒店评价分类的在线实验，实验证明可解释 AI 可以降低自动化偏见，从而帮助设计和开发安全的混合智能系统。

    Apr, 2022

  • 机器决策与人类后果

    本文探讨了机器学习如何工作以及如何制定公正和负责任的算法，重点考虑了在刑事司法系统中执行决策的案例，并对 HART 作为现实世界分类器的技术特征进行了说明和四个规范基准进行了评估。

    Nov, 2018

  • AI 所能做什麼并不重要，重要的是 AI 應該做什麼：走向任務委派的框架

    人们更青睐于人机交互的 “机器协助” 模式，而不是完全的人工智能自动控制模式。其中，信任是与人类最佳人机委派偏好相关性最高的因素。

    Feb, 2019