摘要

本文介绍了一种名为“Learning to Complement and to Defer to Multiple Users (LECODU)”的新型人工智能方法，旨在解决在分类任务中人机协作的复杂决策问题。LECODU结合了学习互补和学习延迟两种策略，不仅优化了分类准确性，还最小化了用户参与的协作成本。该方法通过在真实世界和合成数据集上的广泛评估，展示了其相对于现有最先进的人机协作分类方法的优越性能，尤其是在用户标注噪声较高的情况下。

原理

LECODU的核心在于其能够动态决定何时与专家协作（学习互补）、何时将决策延迟给专家（学习延迟），以及应该涉及多少专家。这种方法通过一个选择模块和一个协作模块实现，选择模块决定使用哪种协作策略，而协作模块则根据选择模块的输出进行最终的分类决策。LECODU利用包含多个噪声标签的训练集进行训练，通过最大化分类准确性和最小化协作成本来优化模型性能。

流程

LECODU的工作流程包括以下步骤：首先，预训练的AI模型对输入图像进行初步分类；然后，选择模块根据AI模型的预测和用户标注的噪声水平，决定是仅使用AI模型、与用户协作还是将决策延迟给用户；最后，协作模块根据选择模块的决策，结合AI预测和用户标注，生成最终的分类结果。整个过程通过Gumbel Softmax技巧实现梯度的连续计算，确保了训练过程的可微分性。

应用

LECODU方法在多个高风险领域的复杂问题中具有广泛的应用前景，如乳腺癌分类、风险评估和识别大型语言模型生成的错误信息。其能够在用户标注噪声较高的情况下仍保持高准确性，使得该方法在实际应用中具有很高的实用价值和推广潜力。