HEIDL: 用深度学习和人工参与学习语言表达
该研究探讨了在艺术创作中将人类专业知识与 AI 模型相结合,以实现更具表现力、细腻和多模态的生成作品的方法,并提出 Human-in-the-Loop 的设计,以增加人类与 AI 之间的互动,从而帮助未来的 AI 系统更好地理解我们自己的创造和情感过程。
Oct, 2021
人工智能和机器学习在信息系统中发挥了重要作用,然而机器学习模型不完美并且可能产生错误分类。因此,本研究提出了一种混合系统,利用人工专家对难以分类的实例进行审核,并创造了人工专家来学习对之前由人工专家审核过的未知类别数据实例进行分类。实验证明,这种方法在图像分类的几个基准测试中优于传统的人机合作系统。
Jul, 2023
介绍了人与自然语言处理模型 (NLP) 的交互式 (HITL) 的短暂但激动人心的历史,总结了近期以任务、目标、人机交互和反馈学习方法为重点的各种 HITL NLP 框架,并讨论了将来在 NLP 开发中整合人类反馈的方向。
Mar, 2021
本文提出了一种名为 MILD 的多模态交互潜在动力学方法,将深度学习和概率机器学习结合起来,用于学习人与机器人之间的互动动力学,并在人 - 人互动的演示中进行了实验验证,该方法比相关研究生成更准确的机器人轨迹,还能够直接从基于摄像头的姿势估计中学习生成轨迹。
Oct, 2022
本文通过开发人工智能与自然语言交互评估(HALIE)框架,进行基于人的语言模型交互评估,包括交互过程、第一人称主观体验和执行效果等方面,设计并测试了五种交互式任务,研究了四种先进的语言模型,发现非交互式的性能并不总是导致更好的人工智能与自然语言交互,并且第一人称和第三方评价的指标可以有所区别,因此研究人工智能与自然语言交互的微妙差别非常重要。
Dec, 2022
人类分析对深度神经网络的鲁棒性产生积极影响,尚未在对抗机器学习文献中得到很好的探究。人类视觉注意力模型可能会提高人 - 机图像分析系统的解释性和鲁棒性。虽然存在挑战,但需要进一步研究,以便选择适宜的可视化解释,以便图像分析员评估所给数据模型。
Jun, 2023
本文基于数据分析角度,对人机协同中的数据处理、模型训练和系统独立模式,进行了调查总结,分类整理,提供了自然语言处理、计算机视觉等多领域的技术优势 / 缺陷、挑战和机遇,提出了有效设计人机协同解决方案的思路。
Aug, 2021
生成型 AI 图像模型可能无意中生成有问题的人物表现,并可能加剧和加速现实世界中的歧视和其他危害;本文针对生成型 AI 模型中人口群体和语义概念之间的有问题关联进行研究,提出了一种新的方法论 T-HITL,既解决了这些关联问题,又保持了图像模型的视觉质量。
Feb, 2024
该研究描述了一种 “人机互动” 机器学习系统的愿景,它通过智能跟踪更改和中间结果,实现了工作流加速,反馈及时,内省和调试,背景执行和自动化,并描述了 Helix,初步尝试这样一个系统已经在典型的迭代工作流中实现了最多 10 倍的提速。
Apr, 2018
通过社会理论中有关种族的连接,本文提出了一种名为包容人像(Inclusive Portraits)的新方法,改善了人工参与(HITL)系统在面部验证中的性能,并突出了在设计 HITL 系统时考虑个体工作者特点的重要性,而不是将工作者视为同质群体。此研究对于开发更具包容性和公平性的 AI 增强服务具有重大的设计意义。
Nov, 2023