Nov, 2020

人类 vs. 监督机器学习：谁更快学习模式？

PDF
TL;DR研究比较有限的学习数据时，监督学习算法和人类的学习能力的表现差异，并发现在任务的基础模式上，机器的表现差异较大，但机器需要更多的训练实例才能达到与或甚至胜过人类的水平。
supervised machine learningperformancehumansmachinestraining data
发现论文，激发创造
  • 人类和机器学习中抽象概念与统计模式匹配的分离

    本研究在分析人类和神经网络在元强化学习范式中通过定抽象特征区分任务表现的差异，其中构建了一种新方法 “任务合成体”，其具有相似的统计特征但使用不同的基础生成过程。结果表明，人类在抽象任务上表现比任务合成体更好，而常见神经网络架构在抽象任务上的表现比匹配的任务合成体更差。

    Apr, 2022

  • 监督式机器学习可解释性调查

    该综述论文提供了解释性监督机器学习的基本定义、原则和方法，并对过去和最近的解释性机器学习方法进行了分类和综述。通过解释性案例研究阐明了原则，并讨论了重要的未来方向。

    Nov, 2020

  • 人类和机器有相同的眼睛吗？基于图像分类的人机感知差异

    该研究比较了人类和机器视觉模型在特定任务上的表现差异及难度排名，通过实验展示了一种基于人机协作的方法，在视觉任务中取得了更好的成果。

    Apr, 2023

  • 一种透明的交互式机器学习方法，利用人工智能在 NP 难问题中找到解决方案

    本文介绍机器学习领域的交互式学习方法，通过实验展示了如何使用人机交互的方式将黑箱算法变为透明的算法，以提高算法的可信度和接受度，并探讨了交互式学习方法在健康信息学领域中的应用和优势。

    Aug, 2017

  • 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

  • 误信：测量机器学习对人类决策的干扰

    研究人员探究了人们在处理两项困难任务时，对机器学习（ML）建议的信任程度；他们发现，即使人们了解这些任务，并给出了表明该系统不自信的信息，但在执行大部分时间正确的任务时，人们也会相信错误的 ML 建议，并且提供了四种不同类型的系统信息可增加人们对建议的信任，并且数学和逻辑技能对于使用 ML 建议的决策者来说可能与 ML 一样重要。

    May, 2020

  • 人与机器理解之间的不协调性

    通过一项大规模众包研究，本文揭示和量化了通过图像分类任务来人与计算机理解背景的分歧，并回答了哪些复杂机器学习模型更接近于人类使用特征以进行准确预测，任务的难度如何影响机器选择特征的能力，并与人类相比，人类是否一致更擅长选择使图像识别更精确的特征。以上发现对于人机协作具有重要的意义，考虑到人工智能领域的长期目标是使机器能够像人类一样学习和推理。

    Jan, 2021

  • 构建有效的人工智能团队：建立能够补充多种专业能力的机器学习模型

    通过联合训练分类器和分配系统的方式来补充多个人类专家的能力，实现了对于人类专家难以预测的情况进行准确预测，并将任务分配给最合适的小组成员，该方法在多个实验中均表现出优越的性能。

    Jun, 2022

  • 有监督和自监督模型之间出人意料的相似性

    本文探讨了自监督学习和人类行为之间的相似性，指出目前的自监督模型在噪声、类别和图像级别的误差模式、纹理偏好等方面与有监督模型相似，但仍不足以与人类视觉行为相提并论，期望未来的自监督模型能更接近人类的物体识别能力。

    Oct, 2020

  • 分析机器学习表示：自然语言案例研究

    研究了一个自然语言处理人工系统中句子的表征，分析表明存在一些启发式策略，通过训练分布，这些系统可以学习抽象规则并将其推广到新的环境中，但也存在一些推广行为上的缺陷。

    Sep, 2019