基于可绘制时间线的交互式超参数优化
大语言模型(LLM)的人机协作自动机器学习(AutoML)界面软件工程师与开发者AI/ML 研究员与工程师
我们提出了一种将更多交互性集成到自动超参数优化系统的方法,以利用用户对参数分布的先验知识。在该方法中,用户持续观察自动优化的进度,并动态指定参数空间的搜索范围。我们展示了一个优化器的交互式仪表板原型,以验证我们方法的可行性。该交互式仪表板的主要特点是"可绘制时间线",用户不仅能像标准时间线一样观察过去测试的参数值,还能通过简单的绘制操作指定未来待测参数的范围。我们展示了三个用户干预可能改善自动优化性能的示例。我们与专家进行了用户研究,结果表明,在掌握目标问题的参数分布先验知识后,交互式优化可以获得比全自动优化更好的结果。
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。
- 100%
模型压缩在实践中的应用:来自创建设备端机器学习体验的实践者的经验教训
CHI '24· 大语言模型(LLM)的人机协作 +1
- 100%
InstructPipe: 使用人类指令和大语言模型生成视觉块管道
CHI '25· 大语言模型(LLM)的人机协作 +1
- 100%
通过人机协作数据标注实现Text-to-SQL领域适配
IUI '25· 大语言模型(LLM)的人机协作 +1
- 80%
面向人工智能的低代码工具
IUI '24· 生成式AI(文本、图像、音乐、视频) +2
- 80%
模型中的精灵:面向移动应用的人环深度神经网络自动生成
UbiComp '23· 大语言模型(LLM)的人机协作 +2
- 67%
迈向人类导向的机器学习
IUI '19· 大语言模型(LLM)的人机协作 +2
- 67%
CoAutoML:面向机器学习新手的基于LLM的AutoML和测试驱动机器教学用户界面框架
IUI '26· 自动机器学习(AutoML)界面 +2
- 67%
用户界面的终身学习
UIST '23· 大语言模型(LLM)的人机协作 +2
- 60%
在配对编程环境中用代理替代人类的权衡:好的、坏的和丑的
CHI '21· 大语言模型(LLM)的人机协作 +1
- 60%
大规模可视化深度神经网络示例
CHI '21· 大语言模型(LLM)的人机协作 +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/10.1145/3461778.3462077
一眼看懂
fact_check论文快照
dataset
来源
DIS
calendar_month
年份
2021
emoji_events
奖项
未标记奖项
group
作者
3 位作者
sell
研究子方向
大语言模型(LLM)的人机协作、自动机器学习(AutoML)界面
work
职业/产业
软件工程师与开发者、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