- 交互式深度学习企业内部机制探索
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 - 可解释的人工智能的数据科学原理
社会对算法问题解决的能力前所未有地增强。人工智能如今应用于更多的领域,这是强大的抽象化、丰富的数据和易于使用的软件的结果。随着能力的扩展,风险也增加了,因为模型常常在没有完全理解其潜在影响的情况下部署。可解释且交互式的机器学习旨在使复杂模型 - 家庭服务机器人的长期个性化交互式连续学习架构
我们结合了持续学习、语义推理和交互式机器学习的思想,并通过人机交互开发了一种新型的交互式持续学习架构,用于在家庭环境中不断学习语义知识。我们将该架构与一个物理移动机器人集成,并在实验室环境中进行了两个月的广泛系统评估。结果表明,我们的架构能 - 未来指挥与控制的可扩展交互式机器学习
未来作战将要求指挥与控制(C2)人员在复杂且潜在模糊的情况下以缩短的时间段做出决策。与机器学习算法合作以引导算法行为的交互式机器学习有望在 C2 作战过程中发挥潜力,带来适应性和效率的革新。本文提出在现有科学技术中存在的一些差距,并描述了三 - 在连续空间中集成人类专业知识:一种新颖的交互式贝叶斯优化框架与偏好预期提升
交互式机器学习(IML)旨在将人类专业知识整合到机器学习过程中。我们提出了一种基于贝叶斯优化(BO)的新框架,即交互式贝叶斯优化(IBO),以实现机器学习算法和人类之间的协作,以确保机器能够从人类专业知识中受益,实现更加协调和有效的学习过程 - 学习卓越的解释
本文提出了一种使用两个输入示例及其对应的 GradCAM 模型解释作为示范解释来实现交互式机器学习的新方法,旨在减少 eXplanation Based Learning 中的用户交互和费用支出,该方法对医学图像分类任务产生了良好的效果。
- 适应性和交互式图像字幕生成的研究:数据增强和情节记忆方向
本文提出了一种交互式机器学习(IML)管道,用于图像字幕生成,其中使用简单的数据增强方法和持续学习方法来将用户输入逐步集成到训练过程中,通过实验发现应用分段记忆是保持先前聚类中知识的有效策略。
- 语义交互学习用于文本分类:一种基于上下文交互的构建方法
本文提出了一个基于语义学习的交互框架,将人类提供的构建性和上下文反馈融入到机器的学习过程中,提出了一种称为 SemanticPush 的技术,该技术能够有效地为机器推理向期望的行为进行人类概念修正的转化。我们在多分类任务中展示了基于语义学习 - ICLR设计和评估以人为中心的交互式机器学习简要指南
该研究论文提出了一种面向人类的指南,旨在帮助机器学习从业者在开发和部署交互式机器学习系统时,解决人机协作、模型评估、公平透明等责任问题,以促进人类技能和能力的增强
- 使用解释和上下文感知的数据增强扩大人类引导的强化学习管道
本文研究如何将人类知识融入深度加强学习中,并提出 EXPAND 方法,在五项任务中展示出用于处理人类知识的可行性,该方法显着优于仅利用评估反馈的基线方法和来自监督学习的人类解释的方法。
- 交互式机器学习的安全探索
该论文提出了一个新的 Interactive Machine Learning 算法,通过一个基于高斯过程先验的框架来避免不安全的决策并优化决策效率,应用到安全贝叶斯优化和安全的 deterministic Markov Decision - 使用动作建议优化 Minecraft 中的深度强化学习
使用交互式机器学习可以帮助训练具有复杂行为的深度强化学习智能体,但需要在人类教师的努力和代理性能之间实现平衡。本研究探讨了两种强化学习算法在具有视觉混淆的情况下,通过人类动作建议来提高代理性能、评估动作建议类型的潜在认知负荷以及提高训练效率 - 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。
- 牛顿行动建议:将人类口头指导与强化学习相结合
本文介绍了一种新的方法 Newtonian Action Advice,该方法结合了人类动作建议和强化学习以改善人 - 代理交互,并通过人类实验验证了其在 RL 指标和人因素指标方面优于现有算法 Policy Shaping。
- 交互式知识引导中用户建模以避免过度拟合
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。
- 一种透明的交互式机器学习方法,利用人工智能在 NP 难问题中找到解决方案
本文介绍机器学习领域的交互式学习方法,通过实验展示了如何使用人机交互的方式将黑箱算法变为透明的算法,以提高算法的可信度和接受度,并探讨了交互式学习方法在健康信息学领域中的应用和优势。
- AAAI基于强化学习的具身智能体通过互动与多感知模拟对人类用户进行建模
本文研究交互式机器学习的发展和应用,探讨人类反馈对于机器人行为的影响和提高机器人性能的方法,发现人类反馈参数对于任务性能的影响很大,需要更好地了解人类反馈的潜在变量以更好地处理人机交互领域的问题。
- IJCAI面部价值评估:使用面部表情和强化学习训练用户界面
本文研究了如何通过面部表情感知学习来降低人机交互中的显式反馈,取得了较好的实验效果,该方法可为人机交互领域提供辅助