Jun, 2024

交互式深度学习企业内部机制探索

PDF
TL;DR该研究报告介绍了 No-IDLE 原型系统的解剖结构，该系统不仅提供了基础的交互式机器学习研究，还揭示了用户行为、需求和目标的更深层次的洞察力。它的目标和科学挑战集中在提高非机器学习专家对交互式深度学习解决方案的接触范围上。其中一个关键创新是结合多模态交互的交互式机器学习方法，将在神经网络和大型语言模型的领域中与半智能机器进行交互时发挥重要作用。
发现论文，激发创造
  • HEIDL: 用深度学习和人工参与学习语言表达

    本文介绍了一种名为 HEIDL 的新型人机交互机器学习系统，可以通过高水平的、可解释的语言表达式与人交互，从而提高人类在模型预测、理解以及更新方面的参与度，并且可以使得机器学习模型能够更好地应用于实际场景中。

    Jul, 2019

  • 朝向解释性设计的深度学习算法

    提出的 IDEAL 框架通过原型实现了解释性、抵消了解释受到干扰的问题，并且解决了灾难性遗忘的问题，同时，该方法表明 ViT 架构缩小了微调和非微调模型之间的差距，可以在一小部分时间内实现无监督方法对特征空间的目标数据集的迁移学习。

    Nov, 2023

  • ICE：为大规模不平衡问题提供交互式建模能力，赋能非专业人士

    本篇论文讨论了交互式学习的问题，包括主动学习和互动学习，提出了一种支持交互学习的平台架构，并介绍了其在机器学习和用户界面方面的应用研究。

    Sep, 2014

  • 针对任务导向对话系统的从头开始的增量学习

    提出了一种基于增量学习框架的任务导向对话系统（Incremental Dialogue System (IDS)），可以在不预定义用户需求的情况下进行设计，并引入不确定性估计模块和在线学习模块来评估和适应未被考虑的用户需求，最终可在未知环境下获得出色的性能。

    Jun, 2019

  • 轻量级入侵检测的去中心化在线联邦 G 网络学习

    本研究提出了一种新颖的分散和联合学习入侵检测体系结构（DOF-ID），该体系结构利用机器学习技术，不需要公开其他系统的数据集即可学习，通过 DOF-ID 的平均评估结果表明，DOF-ID 可以同时显著提高所有协作节点的入侵检测性能。

    Jun, 2023

  • 互动模型卡片：模型文档的以人为中心的方法

    通过交互模型卡改进用户体验，为不熟悉自然语言处理或机器学习的用户提供深度学习模型文档的设计指南。

    May, 2022

  • 基于深度神经网络的策略互动式学习与修正反馈

    用 Deep COACH 方法基于人类纠正反馈进行深度强化学习训练，不需要奖励函数，可解决复杂问题，实验证明比 DRL 更快速地成功学习连续动作空间的策略。

    Sep, 2018

  • 探索学习：元学习引导交互式数据探索

    本文提出了一种基于元学习的 “学习探索框架”，以将数据探索过程视为少样本学习的过程，并通过多轮用户标注来实现，进而通过自动生成的元任务来学习分类器，从而大大缩短探索数据感兴趣区域的时间，最终在真实数据集上证明其相比于现有的 “按例探索” 解决方案更加准确和高效。

    Dec, 2022

  • 火线下的可解释深度学习

    本文是对解释性深度学习系统安全性探索的首次系统研究，发现现有 IDLS 的脆弱性高，提出了一种新的类对抗攻击 ADV^2，并通过实证研究证明了其具有欺骗性和实名性的可行性。文章发现了预测 - 解释不一致性是导致该脆弱性的根源，并尝试针对此进行了一些对策。

    Dec, 2018

  • 对话中我们学习：通过对话学习实现无预定义个人化对话

    个人化对话系统一直受到广泛关注，因其能够根据不同人物角色生成响应。本文提出了 In-Dialogue Learning (IDL) 框架，通过细调预训练的大型语言模型，利用对话历史来描述角色，从而完成个性化对话生成任务，而无需预先定义角色。我们在三个数据集上的实验证明，IDL 显著提升了模型性能，BLEU 和 ROUGE 分数分别增加了 200% 和 247%。此外，人工评估的结果进一步验证了我们提出方法的有效性。

    Mar, 2024