Apr, 2023

使用 Co-ML 协作式机器学习模型构建家庭

PDF
TL;DR本文介绍了一种基于平板电脑的应用程序 Co-ML，它是一种用于促进学习者之间协作构建机器学习模型的工具。通过这种分布式协作过程，学习者可以共同解决之前工作中忽视的数据设计问题，如数据多样性、类别不平衡和数据质量等。
machine learningcollaborative modelingdata diversitydata qualitydistributed
发现论文，激发创造
  • 协作分布式机器学习系统开发的设计工具箱

    开发了一个协作分布式机器学习设计工具箱，该工具箱可以指导协作分布式机器学习系统的开发，并提供不同特征的 CDML 系统原型，以满足使用案例要求。

    Sep, 2023

  • 隐私保护协作机器学习的可扩展方法

    该研究提出了 COPML 算法，这是一个完全去中心化的训练框架，可以保护数据隐私并实现可伸缩性，使用对个体数据进行安全编码的方式在多方之间分发计算负载，并以分布式方式执行训练计算和模型更新。实验演示了 COPML 相较于基准协议在训练速度上可实现高达 16 倍的加速。

    Nov, 2020

  • 协作机器学习中的稳健性与学习之间的冲突

    合作机器学习允许参与者在保护私人训练数据的同时，共同训练一个机器学习模型。研究人员提出使用强大的聚合器来过滤可能危及训练过程的恶意贡献，但我们的研究表明现有的强大的聚合器无法实现其目标，因为它们要么使用无法准确识别恶意更新的基于距离的指标，要么提出的方法与参与者从其他人那里学习的能力相冲突，因此无法排除操纵的风险。

    Feb, 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

  • 构建基于机器学习的系统中的协作挑战：沟通，文档，工程和流程

    该研究通过访谈 28 个组织中 45 位从业人员发现，在建立和部署机器学习系统时，团队在需求、数据和整合等方面都面临一些具体的协作挑战，主要来源于沟通、文档记录、工程和流程等方面，因此提出了一些建议以应对这些挑战。

    Oct, 2021

  • 利用个人级别行为线索评估学生小组协作的机器学习方法

    本文提出了基于深度学习的机器学习模型，通过单个学生的角色和行为注释来自动确定小组整体合作质量。然而，在建立这些模型时，我们遇到了一些挑战，包括有限的训练数据和严重的类标签不平衡问题等。为了解决这些挑战，我们使用了 Mixup 数据扩充，并研究了在此基础上使用有序交叉熵损失函数的效果。

    Jul, 2020

  • 实现型人机协作的动态模型：理论和实证证据

    使用机器学习模型进行人机协作系统，研究展示了其动态过程、稳定状态和实际效果；通过针对背包问题的实验，发现人类在与机器学习模型合作中能够改进预测性能，同时发现货币激励对人类决策没有积极影响。

    May, 2024

  • MAPL: 模型无关的点对点学习

    在去中心化环境中，有效协作是一个不太被探索的领域。为了解决这个问题，我们引入了模型不可知的点对点学习（简称 MAPL），通过邻近客户之间的点对点通信，同时学习异构个人化模型和协作图。我们的实验证明了 MAPL 的有效性以及与集中式无模型对应方法的竞争性（甚至是卓越）性能，而不依赖于任何中央服务器。

    Mar, 2024

  • NSML：遇见具有真实世界案例的 MLaaS 平台

    我们提出了 NSML，一种机器学习即服务（MLaaS）平台，以满足在企业规模下开发机器学习工作的需求，为用户提供了易于使用的集群以及协作环境，同时提供可视化工具以协助用户分析其工作。通过实验证明了 NSML 的有用性和可访问性，并通过三个具有真实使用案例的竞赛检验了 NSML 的协作优势。

    Oct, 2018

  • 自然语言处理模型协作开发

    本文提出了 CoDev 框架，通过多用户相互作用，学习每个概念的本地模型和整合原始数据与所有概念的全局模型，从而帮助多个用户操作概念，并在各种情况、任务和模型中避免干扰。

    May, 2023