Feb, 2023

敏捷建模：循环中领域专家的图像分类

PDF
TL;DR本文介绍了 “敏捷建模” 过程，即通过专家驱动的人机交互从任何视觉概念变成训练良好的机器学习分类器的过程，并提出了一个解决方案来实现这一过程，此方案利用了最近图像文本共嵌入的发展，通过 14 个领域专家的实时建模实验证明其可行性，并与传统的众包范式进行了比较，结果显示在使用领域专家的情况下，困难概念得到了明显的改善。
发现论文，激发创造
  • 建模协作者：通过 LLM 工具使用实现最小人力投入的主观视觉分类

    通过使用自然语言交互减少人工标记工作量，本研究提出了一个新框架，用于快速定义概念并自动标记训练数据点，从而替代传统的手动分类方法。在 15 个主观概念和 2 个公共图像分类数据集上进行测试，我们的训练模型在敏捷建模以及 ALIGN、CLIP、CuPL 等最新的零样本分类模型以及大型视觉问答模型（如 PaLI-X）之上表现出色。

    Mar, 2024

  • 构建有效的人工智能团队：建立能够补充多种专业能力的机器学习模型

    通过联合训练分类器和分配系统的方式来补充多个人类专家的能力，实现了对于人类专家难以预测的情况进行准确预测，并将任务分配给最合适的小组成员，该方法在多个实验中均表现出优越的性能。

    Jun, 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

  • 将专家判断融入机器学习模型

    本文提出了一个新的框架，通过对无标签数据点的代表性进行评估，利用专家的判断来改进机器学习模型的预测，并在多项实验和评估中获得了成功的结果和评价指标。

    Apr, 2023

  • 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

  • 加速人机协同机器学习：挑战与机遇

    该研究描述了一种 “人机互动” 机器学习系统的愿景，它通过智能跟踪更改和中间结果，实现了工作流加速，反馈及时，内省和调试，背景执行和自动化，并描述了 Helix，初步尝试这样一个系统已经在典型的迭代工作流中实现了最多 10 倍的提速。

    Apr, 2018

  • 问题匹配与解决：解决机器学习问题的可解释方法

    通过与数据科学家合作，领域专家从各个领域共同探索使用机器学习技术解决问题。本文侧重于领域问题、机器学习问题和主要机器学习解决方案的表示，以及帮助领域专家探索机器学习解决空间的启发式匹配函数，以确定适合领域问题的机器学习算法族。

    Jun, 2024

  • 文档处理平台上类增量渐进学习的领域不可知神经架构

    本文提出了一种基于专家模型混合的全可分的架构，实现了在生产环境中学习在线的高性能分类器，适用于各种领域，具有比参考方法更好的性能。

    Jul, 2023

  • 一种建模机器学习工程过程的框架

    为解决机器学习软件开发复杂性和多学科团队间的沟通问题，本文介绍了基于领域专用语言的机器学习软件开发流程模型框架，该框架通过标准化任务编排、促进沟通、培养协作环境等方式减轻挑战。

    Apr, 2024

  • 人类参与的机器学习概述

    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