用于构建对象检测模型的的教学语言
可解释人工智能(XAI)AI 辅助决策与自动化系统计算方法在HCI中的应用AI/ML 研究员与工程师
对象检测是机器学习的关键应用。目前,这些检测器模型依赖深度网络,而深度网络为模型构建者提供的对模型构建、调整和维护的主动性有限。以人为中心的方法来解决这些问题,探索人类在环与学习系统之间的知识交换。这种通过教学语言进行的知识交换通常仅限于标签规范,限制了用户向系统传达其他形式知识的表达能力。我们提出并评估了一种用于指定对象检测器的表达性教学语言,其中包含概念和关系等构造。通过形成性研究,我们确定了语言构建模块,并为创建对象检测交互体验制定了设计目标。我们通过一个设计探针应用了这些目标,突出了进一步的研究问题和一套设计要点。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
当前问题库还没有收录这篇论文的问题与痛点。
- 80%
规则还是权重?比较用户对可解释人工智能技术的理解与认知XAI自适应模型
IUI '26· 可解释人工智能(XAI) +2
- 67%
解释可解释性:理解数据科学家对机器学习可解释性工具的使用
CHI '20· 可解释人工智能(XAI) +2
- 67%
PaTAT:具有可解释交互规则合成的人工智能协作定性编码
CHI '23· 可解释人工智能(XAI) +2
- 67%
故障还是就绪?在部署之前处理深度学习计算机视觉模型中的故障:一项关于实践、挑战和需求的研究
CHI '23· 可解释人工智能(XAI) +2
- 67%
Unakite:利用 Web 支持开发者的决策制定
UIST '19· 可解释人工智能(XAI) +2
- 60%
UMLAUT:使用程序结构和模型行为调试深度学习程序
CHI '21· 可解释人工智能(XAI) +1
- 60%
整体是否超过其部分?AI解释对互补团队绩效的影响
CHI '21· 可解释人工智能(XAI) +1
- 60%
为非专业人士设计交互式迁移学习工具
CHI '21· AI 辅助决策与自动化系统 +1
- 60%
当信心遇到准确性:探索多个性能指标对机器学习模型信任的影响
CHI '22· 可解释人工智能(XAI) +1
- 60%
使用视觉建模和显著性分析预测和解释移动UI的可点击性
CHI '22· 可解释人工智能(XAI) +1
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
广告推荐
学习 AI 编程到 CodeNow
open_in_new打开DOI链接
DOI: https://dl.acm.org/doi/abs/10.1145/3357236.3395545
一眼看懂
fact_check论文快照
dataset
来源
DIS
calendar_month
年份
2020
emoji_events
奖项
未标记奖项
group
作者
4 位作者
sell
研究子方向
可解释人工智能(XAI)、AI 辅助决策与自动化系统、计算方法在HCI中的应用
work
职业/产业
AI/ML 研究员与工程师
article
内容状态
仅摘要
hub
相关论文
10 篇相关论文