面向零样本分类的可视可解释主动学习
人机交互
2021-08-17 v1 人工智能
摘要
零样本分类是一种有前景的范式，用于解决训练类与测试类不相交时的实际应用问题。实现这一点通常需要专家通过手动指定类-属性矩阵来外化其领域知识，以定义哪些类具有哪些属性。设计一个合适的类-属性矩阵是后续过程的关键，但这一设计过程繁琐且需在缺乏指导的情况下反复试错。本文提出一种可视可解释主动学习方法及其设计与实现——称为语义导航器（semantic navigator），以解决上述问题。该方法在每个交互循环中通过四种动作（询问、解释、推荐、响应）促进人-AI 协作。机器提出对比性问题以引导人类进行属性思考过程。一种称为语义图（semantic map）的新颖可视化解释了机器的当前状态。因此分析人员可以更好地理解机器为何对对象误分类。此外，机器为每个属性的类推荐标签，以减轻标注负担。最后，人类可通过交互式修改标签来引导模型，机器则调整其推荐。与无指导的方法相比，该可视可解释主动学习方法提高了人类交互式构建零样本分类模型的效率。我们使用零样本分类的标准基准通过用户研究验证了我们的结果。
引用
@article{arxiv.2108.06730,
title = {Towards Visual Explainable Active Learning for Zero-Shot Classification},
author = {Shichao Jia and Zeyu Li and Nuo Chen and Jiawan Zhang},
journal= {arXiv preprint arXiv:2108.06730},
year = {2021}
}