本文提出了一种新的交互式学习框架，即交互式注意力学习（IAL），其中人类监督者可以交互地操纵分配的注意力来纠正模型的行为，并通过更新注意力生成网络来进行修正。通过使用样本高效的注意力机制和一种小样本成本有效的重排算法，本文解决了模型过度拟合和标注匮乏等挑战，将 IAL 在多个领域（如医疗保健、房地产、计算机视觉）的多种时间序列数据集上进行验证，证明了其在几乎不需要重新训练和人力交互成本的情况下，显著优于传统注意力机制或不考虑成本效益的基准方法。

Jun, 2020

本文提出一种交互式的方法，通过手动指定区域，让分类器注意到这些区域，以减轻共现偏差对预训练深度神经网络的影响，在 CelebA 数据集上测试并 fine-tuned 预训练 AlexNet 以关注指定的面部属性。

May, 2019

本文提出了 AGIL（Attention Guided Imitation Learning）框架，该框架使用深度神经网络学习人类注意力模型，以改善智能决策和任务性能。

Jun, 2018

本研究探讨是否可以利用人眼注视追踪信息定义注意力机制以提高视频字幕生成任务的性能，通过提出一种名为 GEAN 的视频字幕模型，并采用人眼注视追踪数据来提供生成句子的时空注意力，以及对语言相似性指标和人工智能通过 Amazon mechanical Turk 进行的评估，证明了由人眼追踪数据指导的空间注意力确实改善了多个字幕方法的性能，并展示了该方法在 VAS 数据集和标准数据集（如 LSMDC 和 Hollywood2）中实现了领先的性能，成为最先进的视频字幕生成方法。

Jul, 2017

通过对机器注意力机制和人类视觉注意力关系的系统研究，本文发现人类关注可以作为注意驱动任务有意义的基准，并证明更接近人工注意力机制的性能更好，同时更好的注意力对于更高级别的计算机视觉任务的可解释性也有显著提升。

Jun, 2019

研究将人的注意力知识融入到基于显著性的 XAI（可解释人工智能）方法中，以增强计算机视觉模型的合理性和可靠性，并开发了新的基于梯度的 XAI 方法来生成物体特定的解释，并使用可训练的激活函数和平滑核来最大化 XAI 显著图与人类注意图的相似性，从而在物体检测模型中同时提高了可靠性和合理性。

May, 2023

本文提出了一种受人类感知启发的注意力模型，并将其融合到现代神经网络架构中。实验结果表明，引入注意力机制可以显著提高模型的对抗鲁棒性，在各种随机攻击强度下可以达到最先进的 ImageNet 准确度；通过控制注意力步骤的数量可以使模型的防御能力更强，并且可以对抗更强的攻击；攻击模型生成的对抗样本有着与传统对抗样本不同的全局、显著和空间一致的结构，这些结构来自目标类别并且甚至可以被人类识别，会使模型注意力从原始图像中的主要物体分散开来。

Dec, 2019

本研究主要针对如何将注意力监督应用于基于 Attention 机制的视觉问答任务中，提出人类注意力网络（HAN）来生成类似于人类的注意力图，并将其应用于 VQA v2.0 数据集中。实验结果表明，该方法能够产生更准确的注意力机制和更好的性能。

Sep, 2017

该论文提出了一种自适应的方法来清洗现有的人类凝视数据集，并提出了一个健壮的卷积自我注意凝视预测模型，实验证明我们的清洗方法和模型能够显著提高 ADS 性能和泛化能力。

May, 2023

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