交互式知识获取中避免过拟合的用户建模方法

在人机协同机器学习中，用户提供训练数据之外的信息。许多算法和用户界面被设计来优化和促进这种人机交互；然而，较少有研究解决这些设计可能导致的缺陷。有效交互通常需要向用户暴露训练数据或其统计数据。系统设计至关重要，因为这可能导致数据重复使用和过拟合，如果用户强化了数据中的噪声模式。我们提出了一种用户建模方法，通过假设简单的理性行为来纠正这个问题。我们在一项有48名参与者参加的用户研究中证明了该方法在稀疏线性回归情感分析任务中的预测性能提升，其中征询了用户对特征相关性的分级知识。我们相信，通过概率用户模型推断用户知识的关键思想在防止过拟合和改进交互式机器学习方面具有普遍适用性。