一种用于人在回路中求解NP难问题的玻璃箱交互式机器学习方法

机器学习的目标是自动从数据中学习、提取知识并在无需任何人工干预的情况下做出决策。此类自动机器学习（aML）方法取得了令人瞩目的成功。近期结果甚至有趣地表明，应用于皮肤病变自动分类的深度学习与皮肤科医生的表现相当，且优于平均水平。由于人类感知本身存在局限，此类方法能够在任意高维空间中发现模式（例如两个物体相似），这是人类无法做到的。人类只能处理有限数量的数据，而大数据对aML有益；然而，在健康信息学中，我们常常面临少量数据集的情况，此时aML会因训练样本不足而受限，且许多问题在计算上是困难的。在此，交互式机器学习（iML）可能有所帮助，其中人在回路（human-in-the-loop）有助于降低NP难问题的复杂性。iML的另一个动机是，标准的黑箱方法缺乏透明性，因此不利于在最终用户中培养对机器学习的信任和接受度。日益增加的法律和隐私问题，例如新的《欧洲通用数据保护条例》，使得黑箱方法难以使用，因为它们通常无法解释为何做出某个决策。本文中，我们展示了一些实验，以证明人在回路方法的有效性，特别是在将黑箱打开为玻璃箱，从而使人类能够直接与学习算法交互方面。我们选择了蚁群优化框架，并将其应用于旅行商问题，这是一个很好的例子，因为它与健康信息学相关，例如用于蛋白质折叠研究。从人类如何从如此少的数据中提取如此多信息的研究中，基础机器学习研究也可能受益。