机构名称：
¥ 1.0
人类互补性。近年来，人们对机器学习模型的兴趣越来越令人兴奋，以帮助人类专家在包括医学，教育和科学在内的各种应用领域做出更准确的预测。在这种情况下，最终目标是人类互补性 - 使用机器学习模型的人类专家的预测比专家或单独模型的预测更准确。，这个目标一直难以捉摸，目前尚不清楚如何设计能够持续实现人类互补性的机器学习模型。在过去的几年中，我们进行了两项研究以填补这一空白。在第一线研究中，我们追求了算法分类的想法。在算法分类下，机器学习模型并不能预测所有实例，而是将一些实例辩护给人类专家。结果，一个人不仅必须找到机器学习模型，而且还必须找到一个决定谁预测每个实例的分类策略。在这里，主要的挑战之一是，对于每个潜在的分诊策略，都有一个最佳的机器学习模型，但是，分类策略也是人们寻求优化的东西。在一系列论文中，我们开发了一些第一个算法，并具有理论保证，可以在回归[1]，分类[2，3]和增强学习[4]设置下学习算法分类。在这些工作中，我们进行了观察性实验，表明，通过使用算法分类，我们可以平均实现人类互补性。但是，我们还意识到算法分类不能在实例层面上实现人类互补性。这是因为，根据设计，每种效果是由人类专家的性能或机器学习模型的性能决定的。为了避免上述限制，在第二条研究中，我们追求了机器学习模型的设计，而不是依靠算法算法分类，而是适应性地限制了人类专家的代理水平[5，6]。更具体地说，我们倡导机器学习模型，这些模型不是提供单个预测，而是提供一组预测，即预测集，并询问
研究声明
主要关键词
相关文件推荐
