Mar, 2022

非专家自动学习系统的实现

PDF
TL;DR该论文详细介绍了自动化机器学习系统 - YMIR 的开发和实现，通过图形界面与用户交互，使非 AI 专业人士可以轻松地进行数据标记、模型训练、数据挖掘和模型评估。该系统的特点包括：使用 docker 容器进行模型训练和推断；任务和资源管理；标签软件集成；以及使用重建的协作开发范式实现 HCI（人机交互）。此外，该论文还提供了使用该系统训练模型的案例研究。
发现论文，激发创造
  • 高级交互式人机学习界面用于收集和学习复杂的注释

    本文旨在通过为二分类任务提供人机学习界面，使人类注释者能够利用反事实例来补充标准的二分类标签，以缓解人类注释者适应传统标签所施加的限制。

    Mar, 2024

  • 通过机器学习语言模型增强操作系统中的用户交互

    使用大型语言模型进行用户交互的研究，结合机器学习和交互设计来改善推荐系统和操作系统的用户体验，以提供更智能和个性化的服务，满足用户需求并促进产品的不断改进和优化。

    Feb, 2024

  • 增强自动化：基于机器学习的用户指令分类

    为了增强自动化，本文提出了一种通过引入基于意图的用户指令分类的机器学习技术来增加电气自动化系统的灵活性和适应性的新方法。通过使用机器学习模型对用户指令的意图进行分类，我们的系统能够实现更直观和适应性强的电气电路控制方案，实验证明我们的方法能够增强用户体验和扩展电气自动化系统的能力。

    Mar, 2024

  • 医学影像的自动化机器学习系统

    该研究探讨了机器学习和自动化机器学习在医学图像分析中的应用，通过使用神经架构搜索和迁移学习等技术来改善人类专家和计算机系统的诊断准确性。

    Jun, 2023

  • 人类与自动化机器学习系统的角色和交互模式

    本文主要探讨在当前和未来的自动机器学习系统中，人与计算机交互如何发生（包括开发、部署和维护阶段的 HCI），不同类型的用户和利益相关方对 HCI 的期望是否存在差异，如何管理 HCI 以使自动机器学习获得人的信任和广泛接受，以及随着自动机器学习系统变得更加自主和学习能力增强，HCI 的基本特性是否会发生变化。研究关键领域包括自动化机器学习，人机交互，用户界面设计，人工智能信任等方面。

    May, 2022

  • 工业质量控制的交互式解释性人工智能系统

    提出了一种基于交互式支持系统，结合基于知识驱动和数据驱动的机器学习方法以及人类专业知识，并实现用户反馈与决策透明解释，减轻人类负担且尊重其专业性和主观能动性的方法，以及用于工业质量控制中的良品检测任务的模式分类算法。

    Mar, 2022

  • 提高人机协作系统的效率：将人工智能加入人类专家

    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

  • ICE：为大规模不平衡问题提供交互式建模能力，赋能非专业人士

    本篇论文讨论了交互式学习的问题，包括主动学习和互动学习，提出了一种支持交互学习的平台架构，并介绍了其在机器学习和用户界面方面的应用研究。

    Sep, 2014

  • 设计和评估以人为中心的交互式机器学习简要指南

    该研究论文提出了一种面向人类的指南，旨在帮助机器学习从业者在开发和部署交互式机器学习系统时，解决人机协作、模型评估、公平透明等责任问题，以促进人类技能和能力的增强

    Apr, 2022

  • 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