学习多用户的补全与推迟

随着人机协作分类（Human-AI Collaboration in Classification, HAI-CC）的发展，由于决策过程的复杂性，集成用户与AI预测变得具有挑战性。该过程包含三个选项：1）AI自主分类，2）学习补全（learning to complement），即AI与用户协作，3）学习推迟（learning to defer），即AI将决策推迟给用户。尽管这些选项彼此交织，但它们的研究往往是孤立的，而非作为统一系统的组成部分。本文通过一种新颖的HAI-CC方法论——称为学习补全与推迟给多用户（Learning to Complement and to Defer to Multiple Users, LECODU）——来解决这一弱点。LECODU不仅结合学习补全与学习推迟策略，还包含估计决策过程中参与用户最优数量的功能。LECODU的训练旨在最大化分类准确率，同时最小化与用户参与相关的协作成本。广泛的在真实数据集和合成数据集上的综合评估表明，LECODU在许多经典HAI-CC方法之上展现出优异性能。即使在依赖不可靠用户且标签噪声率较高的情况下，LECODU也显著优于仅由人类决策者或仅由AI单独完成的水平。