人机团队中的个性化：改善兼容性-准确率权衡
机器学习
2020-08-20 v2 人工智能
人机交互
摘要
对用户建模并与之交互的 AI 系统可以随时间更新其模型，以反映新信息与环境变化。尽管这些更新可能提升 AI 系统的整体性能，但它们实际上可能损害针对个体用户的性能。先前的研究探讨了更新后系统准确率提升与更新系统与先前用户体验兼容性之间的权衡。模型越被强制与先前版本兼容，其将承受的准确率损失就越大。在本文中，我们表明，通过将损失函数针对特定用户进行个性化，在某些情况下可以改善针对这些用户的兼容性-准确率权衡（在牺牲更少准确率的同时提高模型的兼容性）。我们给出的实验结果表明，该方法平均带来中等程度的改善（约 20%），但对某些用户带来大幅改善（高达 300%）。
引用
@article{arxiv.2004.02289,
title = {Personalization in Human-AI Teams: Improving the Compatibility-Accuracy Tradeoff},
author = {Jonathan Martinez and Kobi Gal and Ece Kamar and Levi H. S. Lelis},
journal= {arXiv preprint arXiv:2004.02289},
year = {2020}
}
备注
6 pages, 7 figures