交互式机器学习：最先进综述

机器学习已在诸多软件学科中证明有用，包括计算机视觉、语音与音频处理、自然语言处理、机器人及其他一些领域。然而，由于其黑盒特性与巨大的资源消耗，其适用性受到显著制约。性能的取得以庞大的计算资源为代价，且通常牺牲模型的鲁棒性与可信性。近期研究已确认缺乏交互性是这些机器学习问题的首要根源。因此，交互式机器学习（iML）因其人在回路模式与相对高效的资源利用而获得研究者日益增多的关注。由此，交互式机器学习的最先进综述在减轻构建以人为中心模型之努力方面起着至关重要的作用。本文对iML的最新技术水平提供全面分析。我们采用面向优点与面向应用/任务的混合分类法分析显著研究工作。我们使用自底向上聚类方法生成iML研究工作的分类体系。关于对抗性黑盒攻击及相应iML防御系统、探索性机器学习、资源受限学习以及iML性能评估的研究工作，在我们对优点导向的分类法下按其相应主题进行分析。我们进一步将这些研究工作划分为技术性与行业性类别。最后，我们深入讨论了我们认为对iML未来工作富有启发的研究机遇。