从异构数据中建立分类体系的人工智能与人类协同
我们在本文中探索一种方法,该方法灵感来自两种方法:迭代和交互过程,以便在识别数据中的概念时进行概念的细化和定义。我们证明这种方法可应用于各种数据源,并能产生更直接与本体集成的分类学。
Dec, 2023
本文提出了一种基于文本和图像的概率模型,通过端到端特征设计实现自动构建上位词分类法。通过小型本体数据的判别训练,该模型可以从头开始为具有关联图像的未知概念标签构建完整的分类法。在 WordNet 层次结构的评估中,本系统的表现优于以往方法。
Jun, 2016
本文提供了一个交叉学科的观点,以发展由人与机器组成的社会技术群体,通过结合人工智能和人类智能,共同实现复杂目标,并从彼此学习中不断提高。因此,需要为这些系统提供结构化的设计知识,并展示了使这些应用程序的系统开发人员有用的指导。
May, 2021
本文介绍了一个结构化的视角,讨论了先验知识在机器学习中的应用,阐述了先验机器学习的定义、概念和分类框架,并通过阅读相关研究论文总结了该领域的关键方法。
Mar, 2019
人工智能在决策支持系统中的应用主要集中在技术进步方面,忽视了算法输出与人类期望的一致性。为了解决这个问题,可解释的人工智能提倡更加以人为中心的发展。为了更好地理解人与人工智能的交互,我们通过对 105 篇选定文章进行系统综述,提出了一种交互模式分类系统,以深入研究不同人机交互方式。通过对现有研究的分析发现,现有的交互方式主要是简单的合作模式,对于真正的交互功能的支持相对较少。我们的分类系统将有助于理解当前决策环境中人与人工智能的交互方式,并促进交互设计的有意选择。
Oct, 2023
本文研究将层次分类标签作为先验知识集成到扁平分类器的学习算法中的有效性,并通过两种方法将层次分类税引入到学习算法的损失函数中,实现半监督多类别分类器和全监督多类别分类器的性能提高,在工业数据集和公共基准测试中进行了实验,并取得了显著成果。
May, 2023
通过增强的表示学习和细粒度实例关系的对比损失,以及关注内在标签分类法的细粒度层次分类损失,我们提出了一种新颖的框架来解决层次化查询分类的挑战,同时利用与已标注查询共享的无标签查询的相似性智能地选择这些查询以提高分类性能。实验证明,我们的方法优于专有的 Amazon 数据集上的最先进方法,并与 Web of Science 和 RCV1-V2 的公共数据集中的最先进方法相媲美,这些结果凸显了我们提出解决方案的有效性,并为下一代层次感知查询分类系统铺平了道路。
Mar, 2024
本文提出了一种基于机器翻译的产品分类新范式,通过将产品的自然语言描述翻译成代表产品分类树中从根到叶子的路径的一系列标记,实现了比最先进的分类系统更好的预测准确性,并且可以在分类树中提出有意义的新路径,将其转换为有向无环图,从而有助于用户友好浏览和适应新产品的分类。
Dec, 2018
本文综合了关于可解释机器学习(IML)方法和评估的基础研究,提出了可操作的分类法,并提出了一个三步骤的工作流程,以更好地使研究人员和客户合作,发现哪些方法对什么用例有用。同时,作者通过在分类法结果的基础上进行进一步研究,更好地满足客户对相关用例和研究人员对提出的方法的需求。
Mar, 2021
我们提出了一种新型的监督对比损失函数,在表示学习过程中引入了分类树结构信息。该损失函数通过强制要求具有相同类标签(正样本)的图像在投影空间中比具有不同类标签(负样本)的图像更接近彼此来实现。该方法的优势在于它直接惩罚表示空间的结构,这使得在编码语义概念方面具有更大的灵活性。然而,标准的监督对比损失函数只基于下游任务(即类标签)强制执行语义结构。我们展示了通过在对比损失中明确考虑这些关系,采用加权惩罚的方式,可以超过监督对比损失。此外,我们将分类树的概念融入医学和噪声环境的设置中,表现出高达 7% 的性能提升。
Jun, 2024