本文提出了一种交互式叠加方法，该方法利用机器学习模型的预测能力，同时允许用户指定决策边界的修改，从而实现在不需要重新训练模型的情况下对决策系统进行实时修改，并展示了用户反馈规则可以与机器学习预测结合以支持更少数据的学习。

Mar, 2022

机器学习模型需要不断更新或校正，以确保预测准确性始终保持高水平。本研究提出了一种校正规则挖掘算法，通过组合频繁项集挖掘和独特的剪枝技术，获取描述不准确子集群和纠正方法的综合规则列表，并从中收集数据不足的信息、直接纠正模型输出和分析概念漂移。

Oct, 2023

本文旨在通过记录模型与数据的交互过程，以改善未来爬取的 Internet 数据集的信息稳定性。我们发现模型输出表现为源自训练集的样本具有一致性校准时，偏见放大的程度与模型预测的性别偏差等测试时偏差统计显著相关，如果同时在三个条件预测场景中使用，能更好的校准和稳固反馈系统。

Sep, 2022

该研究提出了一种新方法来推断不同的规则集，通过在 Max-Sum 多样化框架下优化决策规则之间的小重叠，以及在鉴别品质和规则集多样性之间最大化加权总和，来克服联想规则指数级搜索空间的困难。该算法通过随机采样高度鉴别且重叠小的规则，并证明其拥有更好的预测能力和解释性。

Jun, 2020

使用反馈增强合成数据可以防止模型崩溃，验证了常见的方法，如 RLHF。

Jun, 2024

该研究使用机器学习模型对人事评估进行建模，探讨训练数据中负面影响比率对模型预测结果的影响，发现训练数据中负面影响比率与模型异常影响呈线性关系，但是从训练数据中去除负面影响只能略微减少异常影响，同时会对模型准确性产生负面影响。

Apr, 2023

利用分类器对生成模型的反馈来增强静态数据集，并验证其有效性和效率，实现了在低频数据类别上的最新成果以及最糟糕分组准确性的显著提升，为有效利用最先进的文本到图像模型作为数据源，改进下游应用提供了路径。

Sep, 2023

本研究基于可靠的建模模拟数据，比较了监督机器学习方法在估算在空中战斗期间发射导弹的最有效时刻的能力，并采用重新采样技术提高预测模型，发现基于决策树的模型性能显着更优越，而其他算法对重新采样技术具有显著灵敏度。获得最佳 f1-score 的模型在没有和使用重新采样技术时的值分别为 0.379 和 0.465，后者增长了 22.69%。因此，通过构建模拟数据可以开发基于机器学习模型的决策支持工具，从而提高空战中的飞行质量，增加攻击特定目标的有效性。

Jul, 2022

本文探讨了在联邦学习（FL）中使用用户反馈进行标记和降噪以提高 ML 模型性能的新方法，通过两个文本分类数据集的实验表明该方法在保护隐私的同时提高了模型的性能。

May, 2022

通过在线和离线阶段，我们提出了一种高效的框架，评估训练数据对目标模型的影响，通过反向梯度匹配问题建立了一个精简同义词集，用于加速离开一个样本的过程，并计算评估目标基于的归因矩阵。实验证明，相比直接重新训练方法，我们的方法在实现了可比较的模型行为评估的同时，显著加快了过程。

Apr, 2024