L2CU：学习补充未见用户
机器学习
2026-01-13 v1 人工智能
人机交互
摘要
最近的研究突显了机器学习模型学习补充（L2C）人类优势的潜力；然而，将这种能力推广到未见用户仍是一个重大挑战。现有的 L2C 方法通过依赖单一全局用户模型来简化人类与 AI 之间的交互，忽略了 individual user variability，导致合作性能次优。针对这一问题，我们引入了 L2CU，一个用于人类-AI 合作分类的 L2C 框架，以处理未见用户。给定稀疏且噪声较大的用户标注，L2CU 识别代表性标注者轮廓，捕捉不同的标签模式。通过将未见用户匹配到这些轮廓，L2CU 利用轮廓特定的模型来补充用户并实现卓越的联合准确率。我们在 CIFAR-10N、CIFAR-10H、Fashion-MNIST-H、Chaoyang 和 AgNews 数据集上评估了 L2CU，展示了其作为一种模型无关的解决方案，用于提高人类-AI 合作分类效果的有效性。
引用
@article{arxiv.2601.06119,
title = {L2CU: Learning to Complement Unseen Users},
author = {Dileepa Pitawela and Gustavo Carneiro and Hsiang-Ting Chen},
journal= {arXiv preprint arXiv:2601.06119},
year = {2026}
}
备注
Published in IEEE Access (https://ieeexplore.ieee.org/document/11314492)