- 动态去偏：基于解释的人工监督机器学习系统决策
提出了一种新颖的在部署的机器学习系统中跟踪和纠正歧视的方法，它利用反事实解释来持续监测机器学习系统的预测，并标记歧视性结果，然后将与原始预测和反事实替代方案相关的后续解释呈现给人工审查者进行实时干预，从而实现公平和负责任的机器学习操作。
- 改进跨文本韵律转换的人机交互方法
通过使用人工调整显著的韵律相关因素，使得生成语音更适合目标文本，同时保持整体参考音调效果，可以提高跨文本韵律转换模型的感知自然度约 57.8％，分析结果显示，有限的用户努力就足够实现这些改进，并且潜在的参考空间接近性不是可靠的跨文本韵律相似 - 通过人机协同标注进行吲哚菁绿色荧光血管造影图像的脉络膜血管分割
该研究利用 Human-in-the-loop (HITL) 框架发展了高精度的 ICGA (青铜绿素绿荧光血管造影) 病变检测模型，通过多源 ICGA 数据集进行模型训练，并成功降低了手动标注的工作量。研究还发现多维度的脉络膜血管参数与多 - 利用人机协同学习对乳腺癌医学图像进行分割、分类和解读
使用人主导策略进行医学领域机器学习模型训练的应用研究，以整合基因组数据和乳腺癌的全切片图像分析为例，探索了人工专家在处理大规模和复杂数据中的作用以及该方法的局限性。
- PAPER-HILT 人际环境中个性化和自适应的隐私感知早期退出强化学习
通过开发 PAPER-HILT，我们的研究论文专注于开发一种创新的适应性强化学习策略，通过利用早期退出方法来保护人机交互环境中的隐私，以个性化的平衡用户隐私和应用效用，同时适应个体用户需求和偏好。
- 评估大型语言模型作为时间序列物理感测数据的虚拟标注器
传统的基于人机协同的时间序列数据标注方法常常需要访问环境中的其他模态，例如视频或音频，以便为人类标注员提供必要的信息，因为原始数字数据常常对专家来说过于模糊。然而，这种传统方法在成本、效率、存储额外模态、时间、可扩展性和隐私等方面存在诸多问 - SECP: 基于语音增强的清晰语音可扩展采集过程
简化后：本文提出了一种基于语音增强的策划管道（SECP）框架，旨在最小化对人工听力和注释的依赖，通过两个迭代循环的运行，观察到使用增强输出作为基本真实性的模型性能不降低，并通过主观测试表明改进数据的最高和最低边界比原始数据更具感知效果。
- Jacquard V2：使用人机协同数据校正方法优化数据集
利用人机互补方法改进 Jacquard 抓取数据集的研究，通过深度学习网络预测物体位置和方向，结合人工操作者的评估，改善了数据集的质量并用于训练神经网络模型。
- 使用学习排序方法在物理世界搜索引擎中识别日常物体
本文介绍了一种基于人 - 机交互的方法，用于 domestic service robots 在日常环境中按照指令检索目标物体的任务。提出了名为 MultiRankIt 的新颖方法，在此基础上建立了一个新的数据集，并通过实验验证了其在物体检 - 视频目标分割中注释的内容与方法学习
EVA-VOS 是一种视频目标分割的人机协作注释框架，通过引入代理模型进行逐帧帧选择和注释类型预测，可以实现高准确度且比传统视频注释方法快 3.5 倍的对象掩模生成与注释时间降低。
- 包容性画像：有关种族的人机交互技术
通过社会理论中有关种族的连接，本文提出了一种名为包容人像（Inclusive Portraits）的新方法，改善了人工参与（HITL）系统在面部验证中的性能，并突出了在设计 HITL 系统时考虑个体工作者特点的重要性，而不是将工作者视为同质 - 人机协同任务和运动规划的仿真学习
这篇论文介绍了一种新颖的人机交互任务与动作规划系统 (HITL-TAMP)，它通过结合模仿学习和自动规划的优势，实现了由人类远程操作员管理机器人团队的功能，提高了数据收集效率，并在接触密集任务上训练出了出色的性能。
- EMNLPIMTLab: 一个用于构建、评估和诊断交互式机器翻译系统的开源平台
IMTLab 是一个开源的端到端的交互式机器翻译系统平台，它使研究人员能够快速构建具有最先进模型的交互式机器翻译系统，进行端到端评估，并诊断系统的不足之处。
- MM人机协作的大型语言模型机器翻译
借鉴人机交互和上下文学习的特点，提出了一种人机协作的流程，通过指导大型语言模型生成自定义输出，以改善翻译性能，并进行了多个角度的评估和分析。
- aSAGA: 自动睡眠分析与灰色区域
提出并验证将可解释性人工智能引入睡眠医学的概念，并为将人机协同自动睡眠分期集成到临床工作流程中提供基础。
- 我们已经闭环了吗？VIS4ML 研究的普适性缺口
机器学习可视化（VIS4ML）研究旨在帮助专家应用他们的先前知识来开发、理解和改进机器学习模型的性能。通过调查最近的 VIS4ML 研究论文，我们评估了研究贡献和使人类参与机器学习成为可能的主张的普适性，发现了当前 VIS4ML 研究范围与 - SAP-sLDA：探索非结构化文本的可解释界面
通过低维投影对文本语料库进行探索是一种常见方法，我们提出了一种半监督的人类参与的基于 LDA 的方法，用于学习在低维投影中保留文档之间语义相关性的主题。
- 提高人机协作系统的效率：将人工智能加入人类专家
人工智能和机器学习在信息系统中发挥了重要作用，然而机器学习模型不完美并且可能产生错误分类。因此，本研究提出了一种混合系统，利用人工专家对难以分类的实例进行审核，并创造了人工专家来学习对之前由人工专家审核过的未知类别数据实例进行分类。实验证明 - ICML优秀的解释者是否暗中借助于人在循环活跃学习？
该研究探讨了可解释人工智能技术在研究模型预测方面的应用，提出了一种数学近似方法，建立了人在回路中的查询策略和端到端工作流程的普遍形式化，从而使我们可以严格比较这种使用方法与标准主动学习算法的优劣，同时允许工作流程的扩展，并通过模拟来评估其实 - ACLNLI 模型推理受哪些错误相关性影响？通过数据受限反事实推理的可视交互式诊断
我们提出了一个面向诊断 NLI 模型依赖于预测的潜在虚假特征的人工辅助仪表板，该仪表板支持用户通过 GPT-3 建议来生成不同种类的具有挑战性的示例，并从经过训练的 NLI 模型中获取反馈。通过调查，我们发现了会影响 NLI 模型推理的几类