ICLRMar, 2023

为基于实例的决策支持学习与人类兼容的表征

PDF
TL;DR本文结合度量学习和监督学习的思想，使用人类提供的三元组判断来学习人类兼容的决策重心表示，该表示与人类知觉更好地匹配，使人类能够更准确地进行预测，并在多个分类任务中通过合成数据和人类实验表明其有效性，从而获得显著提高的人类决策准确度（对蝴蝶与飞蛾分类增加了 17.8％，对肺炎分类增加了 13.2％）。
algorithmic case-based decision supportmetric learningsupervised learninghuman perceptionclassification
发现论文，激发创造
  • 分析机器学习表示：自然语言案例研究

    研究了一个自然语言处理人工系统中句子的表征，分析表明存在一些启发式策略，通过训练分布，这些系统可以学习抽象规则并将其推广到新的环境中，但也存在一些推广行为上的缺陷。

    Sep, 2019

  • 与人类表征的对齐支持强大的少样本学习

    通过信息理论分析和计算机视觉模型的实验，我们发现 AI 系统的世界表示与人类的相似度呈现 U 形关系，并表明高度相似的模型在少量数据、对抗攻击和领域转换方面更具鲁棒性和泛化能力，表明人类对齐通常是模型充分利用有限数据、鲁棒性和良好泛化的足够但不必要的条件。

    Jan, 2023

  • 利用人类相似度判断改善神经网络表征

    研究发现，在保留本地结构的情况下对神经网络表示进行全局结构对齐可在各种少样本学习和异常检测任务中显著提高准确性。

    Jun, 2023

  • 神经网络表示的人工对齐

    本研究调查神经网络表示与人类认知表示之间对齐的因素，发现模型规模和架构对齐性没有实质性影响，而训练数据集和目标函数对齐性有更大的影响。研究发现，神经网络表示的线性转换有助于提高与人类相似性判断的一致性，但规模和多样性更大的数据集训练的模型也不能满足人类认知表示的需求。

    Nov, 2022

  • 学习人类化的表示以实现学习人类价值

    构建与人类价值和目标相一致的 AI 系统，防止造成伤害或违反社会可接受行为的标准是一个重要课题，本研究通过研究伦理学作为价值一方面并训练多个 ML 代理，研究其与人类的代表性一致程度与学习最具道德行为的性能之间的关系。

    Dec, 2023

  • 贝叶斯表示学习与 Oracle 约束

    提出一种将生成式无监督特征学习与概率上的三元组信息处理相结合的方法，将隐式的 oracle 知识转移为显式的非线性贝叶斯潜在因子模型，并证明该方法在学习表示方面优于以前的度量学习方法和没有此类副信息的生成模型。

    Jun, 2015

  • 基于启发式弱学习的自动决策制定

    本研究旨在探讨如何通过从用户中收集排名决策策略来参与算法设计，以替代传统需要人工标记成本高昂的方法，并借助两个用例的实证数据表明，我们提出的弱监督学习方法可以几乎与完全监督方法一样准确地理解用户的偏好和选择。

    May, 2020

  • 利用人类反馈学习可解释的基于概念的模型

    提出了一种透明的机器学习模型学习方法，使用用户的反馈来标记概念特征，从而生成透明的概念定义，以提高模型的可解释性和预测性能。

    Dec, 2020

  • 迈向人工智能与人类互补性的预测集

    采用贪婪算法，该论文发现了一种可比或更好性能的预测集构造方法，该方法能帮助基于预测集的决策支持系统有效解决分类任务。

    May, 2024

  • 利用大型语言模型预测人类相似性评价

    利用语言模型和在线招募，提出了一种基于文本描述的高效通用程序，以预测相似度判断，其数量只随刺激物数量线性增长，可极大减少数据需求，且在六个自然图像数据集上的结果优于基于视觉信息的先前方法。

    Feb, 2022