该研究分析了人工智能优化过程中用户专业水平对解决方案质量和主观满意度的影响，从文本、照片和三维网格优化等不同领域进行了研究，认为专业人士更倾向于追求多样化的结果，这一行为可以用作设计者改进智能优化模型的绩效指标。

Feb, 2023

通过高通量（批处理）贝叶斯优化和人类决策理论，本文提出一种方法，使领域专家能够影响最优实验的选择。该方法旨在解决人类在离散选择上比连续选择更擅长的假设，并在每次迭代中通过求解增广多目标优化问题返回备选解集合，从中专家选择一个进行评估。研究表明，即使在无经验的情况下，该算法仍能恢复标准贝叶斯优化的遗憾。

Dec, 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

应用高通量贝叶斯优化和离散决策理论，提出了一种协同贝叶斯优化方法，以将人类专家的知识融入数据驱动的决策过程中，实现更快的收敛和改善工程系统中贝叶斯优化的可追踪性。

Apr, 2024

本研究采用优化算法直接包括人在内来评判机器学习模型的可解释性，设计了一个通过最小化用户研究数量来寻找既有预测能力又有可解释性的模型的算法，并在多个数据集上演示了我们的方法。人类主体的结果显示，不同的代理解释性在不同的数据集上被优先选择。

May, 2018

通过一个模拟物体检测系统的实验，我们研究了交互反馈对用户对智能系统及其准确性理解的影响，结果表明提供循环反馈降低了参与者对系统的信任和其对系统准确性的感知，这凸显了在设计智能系统时考虑用户反馈对用户信任的影响的重要性。

Aug, 2020

通过交互式进化计算以及应用定量和定性评判标准指导多目标进化算法，将用户反馈嵌入到适应函数中，使算法能够辨别出有前景和较差的解决方案，实验证明该交互机制可以有效地引导搜索进入专家真正感兴趣的搜索空间区域。

Jan, 2024

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

我们提出了一种适用于一般优化问题的高效搜索启发式算法，特别针对 Bayesian 最优实验设计问题，并通过评估死亡，药物动力学和逻辑回归模型的最优 Bayesian 实验设计来展示其优越性，作为中等规模设计问题（即大约 40 个维度）的计算高效性替代方法。

Mar, 2017

我们提出了一种协作和可解释的贝叶斯优化框架（CoExBO），它通过优先学习无缝地将人类洞察力整合到优化中，为用户提供与其偏好相符的算法建议，并通过解释候选项选择来建立信任，使用户对优化有更清晰的掌握。此外，CoExBO 提供不会造成损害的保证，允许用户犯错误；即使进行极端对抗性干预，该算法也渐进地收敛到一个标准的贝叶斯优化方法。通过在锂离子电池设计中进行人工智能协作实验，我们验证了 CoExBO 的有效性，并凸显了与传统方法相比的显著改进。

Oct, 2023