研究发现，即使在诊断精度高于人类专家的情况下，人类专家仍然可能会为高风险预测任务添加价值，并提出了一种统计框架来检测这种专家水平。这个框架在急诊科的数据上进行了测试。

Jun, 2023

本文探讨了在重要领域（如辅助法律、银行、招聘和医疗抉择的学习模型），是否需要全部的输入特征才能在测试时返回准确的预测，并表明在个性化的环境下，每个人仅需要发布一小部分的这些特征就能保证系统准确度不受影响。研究显示，在一些学习任务中，个体只需提交不到总数据的 10％即可确保与使用完整信息的模型同样准确。同时，本文还提供了一个高效的序列算法来选择哪些属性应由每个个体提供。

Jan, 2023

本研究提出了一种用户建模方法，通过概率用户模型来推断用户的知识，从而提高交互式机器学习的性能，并避免过度拟合的问题。

Oct, 2017

该研究总结和分析了现有文献，确定了研究空白和未来机遇。知识嵌入和知识发现是整合知识和数据的两种重要方法，结合知识嵌入和知识发现形成一个闭环的知识生成和使用，可以提高模型的鲁棒性和准确性，并发现之前未知的科学原理。

Feb, 2022

本研究探讨了一种新的 PLM 重用范式，即 Knowledge Integration（KI），旨在将来自不同专门处理不同分类问题的 PLM 的知识融合成一个通用的学生模型，该研究使用 Monte-Carlo Dropout 算法，设计了 MUKI 框架来实现模型不确定性，实验结果表明 MUKI 在基准数据集上实现了比基线模型更大的改进。

Oct, 2022

研究如何解决机器学习系统中多个组件的分析流程中出现的问题，通过人力计算任务模拟潜在组件修复方案以改善系统整体行为，为设计师提供改进系统的指导，并在一个自动化图像字幕系统上演示了该方法的有效性。

Nov, 2016

本论文提出了一种基于预训练语言模型的模型，通过对话系统中用户发出的不带标签的语句进行无监督学习，从而实现预测用户个人属性值的目的，从而丰富 PKB，并通过挖掘未标注语句中嵌入的个人属性知识来实现两类监督。实验结果表明，该框架在预测个人属性方面表现最佳。

Aug, 2022

本文提出了一种新的解释性方法框架，它在拟合先验知识与解释可解释性目标之间增加了兼容性项，并在反事实解释上实例化了提出的形式化方法，称为知识整合反事实解释（KICE）。

Apr, 2022

本文调查了通过神经网络构建模型时如何加入领域知识，提供两种编码这种知识的方法，并描述了在每个方法的几个子类别中获得的技术和结果。

Feb, 2021

通过引入、形式化和发展一个新的人工智能（AI）范式 —— 流程知识注入学习（PK-iL），大幅提高了深度学习算法的性能和自然语言解释能力，并为人类在现实世界中采用此技术提供了帮助。该方法构建了一个结构化的过程知识框架，明确解释了生成预测结果的底层过程，并在人类参与的定量人类评估中显示出竞争水平。

Apr, 2022