摘要

人在环路是通过整合人类的知识和经验,以最小的代价训练出准确的预测模型。借助基于机器的方法,人类可以为机器学习应用提供训练数据,直接完成一些流水线中计算机难以完成的任务。在本文中,我们从数据的角度对现有的关于人在环路的研究进行了综述,并将其分为三大类: (1) 通过数据处理提高模型性能的工作,(2) 通过干预模型训练提高模型性能的工作,(3) 系统独立的人在环路的设计。通过以上分类,我们总结了该领域的主要方法,以及它们的技术优势/弱点,并在自然语言处理、计算机视觉等方面进行了简单的分类和讨论。此外,我们提供了一些开放的挑战和机会。本综述旨在为人在环路提供一个高层次的总结,并激发感兴趣的读者考虑设计有效的人在环路解决方案的方法。

https://arxiv.org/abs/2108.00941

引言

深度学习是人工智能的前沿,旨在更接近其主要目标——人工智能。深度学习已经在广泛的应用中取得了巨大的成功,如自然语言处理、语音识别、医疗应用、计算机视觉和智能交通系统[1,2,3,4]。深度学习的巨大成功归功于更大的模型[5]。这些模型的规模包含了数亿个参数。这些数以亿计的参数允许模型有更多的自由度,足以令人惊叹的描述能力。

但是,大量的参数需要大量的标签[6]的训练数据。通过数据标注提高模型性能有两个关键的挑战。一方面,数据增长速度远远落后于模型参数的增长速度,数据增长主要阻碍了模型的进一步发展。另一方面,新任务的出现远远超过了数据更新的速度,对所有样本进行注释非常费力。为了应对这一挑战,许多研究人员通过生成样本来构建新的数据集,从而加快了模型迭代,降低了数据标注的成本[7,8,9,10,11]。此外,许多研究人员使用预训练方法和迁移学习来解决这一挑战[12,13,14,15,16],如transformer[17,18]、BERT[19]和GPT[20]。这些工作取得了令人难以置信的成果。

然而,生成的数据仅用作初始化模型的基础数据。为了获得高精度的可用模型,往往需要对具体数据进行标注和更新。因此,一些基于弱监督的工作被提出[21,22,23,24]。一些研究人员提出使用少样本来促使模型从更少的样本中学习[25,26,27]。在学习框架中集成先验知识是处理稀疏数据的有效手段,因为学习者不需要从数据本身[28]中归纳知识。越来越多的研究人员开始尝试将训练前的知识纳入他们的学习框架[29,30,31,32]。作为代理,人类有着丰富的先验知识。如果机器可以学习人类的智慧和知识,它将有助于处理稀疏数据。特别是在临床诊断和训练数据缺乏等医学领域[33,34,35,36]。

一些研究人员提出了一种名为“人在环路”(human-in- loop, HITL)的方法来解决这一挑战,该方法主要通过将人类知识纳入建模过程[37]来解决这些问题。如图1所示,human-in-the-loop(即“human-in-the-loop”和“machine learning”)是机器学习领域一个活跃的研究课题,近十年来发表了大量的论文。

如图2所示,传统的机器学习算法一般由[38]三部分组成。第一个是数据预处理,第二个是数据建模,最后一个是开发人员修改现有流程以提高性能。我们都知道,机器学习模型的性能和结果是不可预测的,这就导致了很大程度的不确定性,在人机交互的哪个部分能带来最好的学习效果。不同的研究者关注的是人工干预的不同部分。本文根据机器学习的处理方法对这些方法进行分类,分为数据预处理阶段和模型修改和训练阶段。此外,更多的研究集中在独立系统的设计上,以帮助完成模型的改进。因此,在本文中,我们首先从数据处理的角度讨论了提高模型性能的工作。接下来,我们讨论了通过干预模式训练提高模型性能的工作。最后,讨论了独立于系统的“人在环路”的设计。

成为VIP会员查看完整内容
76

相关内容

最新《计算机视觉持续学习进展》综述论文,22页pdf
专知会员服务
71+阅读 · 2021年9月25日
电子科大最新《深度半监督学习》综述论文,24页pdf
专知会员服务
89+阅读 · 2021年3月6日
专知会员服务
187+阅读 · 2021年2月4日
最新《对比监督学习》综述论文,20页pdf
专知会员服务
82+阅读 · 2020年11月5日
最新《深度持续学习》综述论文,32页pdf
专知会员服务
179+阅读 · 2020年9月7日
西北大学等最新《深度主动学习》全面综述论文,30页pdf
最新《深度半监督学习》综述论文,43页pdf
专知会员服务
153+阅读 · 2020年6月12日
专知会员服务
199+阅读 · 2020年3月6日
【综述论文】2020年最新深度学习自然语言处理进展综述论文!!!
深度学习自然语言处理
13+阅读 · 2020年4月6日
【综述】自动机器学习AutoML最新65页综述,带你了解最新进展
中国人工智能学会
48+阅读 · 2019年5月3日
南京大学周志华教授综述论文:弱监督学习
云头条
9+阅读 · 2018年3月5日
Arxiv
0+阅读 · 2021年10月1日
Arxiv
16+阅读 · 2021年7月18日
Arxiv
103+阅读 · 2021年6月8日
Arxiv
19+阅读 · 2021年1月14日
Arxiv
29+阅读 · 2020年3月16日
AutoML: A Survey of the State-of-the-Art
Arxiv
69+阅读 · 2019年8月14日
Arxiv
136+阅读 · 2018年10月8日
VIP会员
相关VIP内容
最新《计算机视觉持续学习进展》综述论文,22页pdf
专知会员服务
71+阅读 · 2021年9月25日
电子科大最新《深度半监督学习》综述论文,24页pdf
专知会员服务
89+阅读 · 2021年3月6日
专知会员服务
187+阅读 · 2021年2月4日
最新《对比监督学习》综述论文,20页pdf
专知会员服务
82+阅读 · 2020年11月5日
最新《深度持续学习》综述论文,32页pdf
专知会员服务
179+阅读 · 2020年9月7日
西北大学等最新《深度主动学习》全面综述论文,30页pdf
最新《深度半监督学习》综述论文,43页pdf
专知会员服务
153+阅读 · 2020年6月12日
专知会员服务
199+阅读 · 2020年3月6日
相关论文
Arxiv
0+阅读 · 2021年10月1日
Arxiv
16+阅读 · 2021年7月18日
Arxiv
103+阅读 · 2021年6月8日
Arxiv
19+阅读 · 2021年1月14日
Arxiv
29+阅读 · 2020年3月16日
AutoML: A Survey of the State-of-the-Art
Arxiv
69+阅读 · 2019年8月14日
Arxiv
136+阅读 · 2018年10月8日
微信扫码咨询专知VIP会员