AnchorViz：通过交互式语义数据探索促进分类器错误发现

在监督式交互式机器学习中，人类关于目标概念的知识可以成为构建鲁棒分类器的强大参考，以应对现实世界中看不见的样本。主要挑战在于找到能够发现或改进当前分类器没有对应特征（即存在特征盲区）的子概念的未标注样本。然而，要求人类提出详尽的样本列表是不现实的，尤其是对于难以回忆的罕见子概念。本文提出AnchorViz，一种通过语义数据探索促进错误发现的交互式可视化工具。通过创建基于示例的锚点，用户创建一个基于数据与锚点相似性展开数据的拓扑，并检查语义相关数据点之间的一致性。我们的用户研究结果表明，AnchorViz帮助用户发现的预测错误比分层随机采样和不确定性采样方法更多。