May, 2022

人类与自动化机器学习系统的角色和交互模式

PDF
TL;DR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。
发现论文，激发创造
  • 人性化自动机器学习范式的行动呼吁

    自动化机器学习（AutoML）的全面潜力在于解决目前未充分探索的用户与 AutoML 系统的交互方面，包括其不同角色、期望和专业知识，促进未来 AutoML 研究中更加以人为中心的方法，推动紧密整合人类专业知识和自动化机器学习方法的 ML 系统的协作设计。

    Jun, 2024

  • 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

  • 人工智能与人类的融合决策系统学习范式

    每天我们越来越依赖于机器学习模型来自动化和支持高风险任务和决策。这篇论文提出了混合决策系统的分类法，提供了一个概念和技术框架，以理解当前计算机科学文献中的人机交互模型。

    Feb, 2024

  • 野外 AutoML: 障碍、解决方案和期望

    本研究通过对 19 名 AutoML 用户进行半结构化访谈，发现用户在实际应用中需要面对可定制性、透明度和隐私等方面的限制，并采取一定策略来应对，最终对 AutoML 的使用产生影响。研究结果提出了未来开发 AutoML 解决方案的设计建议。

    Feb, 2023

  • 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

  • 自动机器学习的综合框架

    这篇综述旨在推广对自动化 / 自主机器学习系统的更广阔视角，并探讨整合各种机制和理论框架的最佳方式。主要介绍超参数优化、多组件模型、神经架构搜索、自动特征工程、元学习、多层集成、动态自适应、多目标评估、资源限制、灵活的用户参与和泛化原则的发展。最终得出结论，建立自动化机器学习系统的架构整合是一个值得更深入探讨的重要问题。

    Dec, 2020

  • 数据科学中的人工智能协作：探究数据科学家对自动化人工智能的认知

    该研究讨论了 AutoAI 或 AutoML 对数据科学实践的影响，并发现未来的数据科学工作将是人类和 AI 系统之间协作的结果，其中自动化和人类专业知识是不可或缺的。

    Sep, 2019

  • 自动化机器学习：业务分析中的 AI 决策

    本文分析了自动机器学习在企业分析应用中的潜力，并将 H2O AutoML 框架与手工调整的 ML 模型在三个真实数据集上进行了基准测试，发现 H2O AutoML 框架快速、易用、可靠，表现接近手工调优的 ML 模型，是一个有价值的工具，能够支持快速原型设计，缩短开发和部署周期，并能够弥合 ML 专家供需之间的差距。

    May, 2022

  • AI-Enabled 系统中用户信任的系统文献综述：以人机交互为视角

    对用户信任、影响因素和测量方法进行的 23 个实证研究的综述确认了定义信任的多种方法和用户特征对 AI 启用系统中的信任产生的影响等主题，从而为未来技术和设计策略、研究和举措提供了洞察。

    Apr, 2023

  • 以人為本的人工智能和機器學習

    该研究论文提出了人类中心的人工智能的理念，这需要从社会文化视角设计人工智能算法，并包括帮助人类理解算法、公平公正性、解释性和透明度等方面的问题。

    Jan, 2019