用于高效土壤层标注的不确定性引导专家-AI协作
机器学习
2025-09-30 v1 人工智能
摘要
不确定性量化在人机协作中至关重要，因为人类智能体倾向于根据机器一方的置信度调整其决策。因此，可靠校准的模型不确定性能够实现更有效的协作、针对性的专家干预以及更负责任地使用机器学习（ML）系统。保形预测已成为一种成熟的模型无关框架，用于 ML 模型的不确定性校准，为回归和分类任务提供统计有效的置信度估计。在这项工作中，我们将保形预测应用于 ，一个用于描述土壤剖面的多模态多任务模型。我们设计了一个模拟人在回路（HIL）的标注流程，在模型不确定性较高时，可在有限预算下获取领域专家的真值标注。我们的实验表明，在相同的标注预算下，与其非保形对照相比，对 SoilNet 进行保形化在回归任务中实现了更高效的标注，并在分类任务中取得了相当的性能得分。所有代码和实验均可在我们的仓库中找到：https://github.com/calgo-lab/BGR
引用
@article{arxiv.2509.24873,
title = {Uncertainty-Guided Expert-AI Collaboration for Efficient Soil Horizon Annotation},
author = {Teodor Chiaburu and Vipin Singh and Frank Haußer and Felix Bießmann},
journal= {arXiv preprint arXiv:2509.24873},
year = {2025}
}
备注
11 pages, 7 figures, presented at ECAI 2025, CLEAR-AI Workshop, Bologna