本文提出了一个三步方法，可以使用一个较小的人类专家预测集训练学习延迟算法。该方法涉及使用具有地面真实标签的嵌入模型进行训练，然后进行专家能力预测器模型的训练，生成人工专家预测。 我们在两个公共数据集上评估了我们的方法，并展示了即使对每个类别只有少量的专家预测，这些算法也能超过单独使用人类专家和人工智能的性能。

Apr, 2023

该研究旨在了解推荐算法对未来用户数据的影响，通过提出一个简单模型，表明忽略这个反馈循环将导致非一致性评估器，因此验证了我们的结论。

Mar, 2017

我们提出了一项关于使用多个专家进行学习推迟的代理损失和算法的研究，并证明了这些代理损失从强大的 $H$- 一致性上获益。我们通过几个实际代理损失的例子阐述了分析的应用，并给出了明确的保证。虽然这项工作的主要焦点是理论分析，但我们还报告了在 SVHN 和 CIFAR-10 数据集上的若干实验结果。

Oct, 2023

通过 Chain of Hindsight 技术，可以用各种形式的反馈来 fine-tuning 语言模型，从而使得它们可以更好地满足人类的偏好，具有更好的性能。

Feb, 2023

本文提出了一种基于深度学习的动态意见推断模型 GCN-GRU 用于处理大规模网络中具有不确定性的意见，该模型通过融合多种意见并利用深度学习技术解决了主观逻辑模型存在的可扩展性、异构拓扑和时间依赖性的能力以及冲突证据的高度敏感性的局限，通过实验证明了其在四个实际数据集上的超越表现。

Oct, 2019

本篇研究提出了一种分布式的人机交互学习方法（HBSL），用于在不侵犯用户隐私的情况下识别社交媒体中的虚假新闻，并在分布式节点上进行本地数据的学习和检测，实验结果表明，该方法在检测虚假新闻方面优于现有的分散式方法。

Jan, 2022

本文提出了两个贡献：通过预训练神经网络和构建 “认知模型先验” 以捕捉人类行为的归纳偏见，使得机器学习方法在小样本数据集上能够显著提高预测准确率；基于超过 240,000 项人类决策的大规模数据集，揭示出认知模型先验适用的情况，并为人类决策预测建立了新的基准。

May, 2019

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

探讨在机器学习中存在恶意数据时的问题，其中的 list-decodable learning 和 semi-verified learning model 框架及稳健学习算法提供强大的解决方案。

Nov, 2016

本文通过新的 hedging 技术提高了机器学习算法的预测精度和可靠性，并且可以通过合适的置信水平控制错误预测数量。

Nov, 2006