迈向人类导向的机器学习

自动机器学习（AutoML）系统正在兴起，能够自动从大量可能的模型种类中搜索解决方案。尽管完全自动化机器学习适用于许多应用，但用户通常拥有补充和约束可用数据和解决方案的知识。本文提出人类导向机器学习（HGML）作为混合方法，用户可以在其中与AutoML系统交互，并委托它探索反映用户关于可用数据知识的不同问题设置。我们展示了：1）展示用户想要执行的HGML任务分析；2）根据两位作者如何使用AutoML系统搜索解决方案来描述科学出版物（神经科学和政治科学各一）；3）基于这些表征的HGML要求；以及4）根据这些要求对现有AutoML系统的评估。