衰减：通过可扩展且可实施的人类数据对齐方法来缓解计算机视觉模型的退化问题

《ACM Transactions on Interactive Intelligent Systems》：De-Decay: Defusing Computer Vision Model Degradation through Scalable and Actionable Human-Data Alignment

计算机视觉模型在部署后可能因数据变化而性能衰减，需人工干预更新。本文提出De-Decay系统，通过人数据对齐实现无标注评估和见解转换，支持工程师自动检测模型退化并重训练，实验证明可有效提升模型维护效率。

　　

摘要AI 摘要

要查看此由 AI 生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

随着现实世界数据的发展，计算机视觉（CV）模型在部署后可能会变得过时，这需要 AI 工程师投入大量精力来通过数据重新标注等任务来解决性能下降的问题，以便用新的数据更新模型。交互式的人机协作系统在改进模型管理方面具有巨大潜力。然而，这类工作流程面临两个挑战：（1）可扩展性，即随着数据量的增加，劳动力需求也会增加；（2）可操作性，即人类的见解难以直接转化为模型修订。基于我们对 CV 专业人员当前面临的挑战所进行的基础研究（S1），我们开发了 De-Decay，这是一个端到端的 人机对齐 系统，可提供可扩展的无标签评估和可操作的见解转化功能。这使得工程师能够在 AI 的支持下调查模型性能下降情况并自动重新训练模型，例如图像聚类和再生。我们的总结性研究（S2）表明，De-Decay 帮助工程师有效识别并解决了 CV 模型的性能问题。我们讨论了未来的研究如何提高 AI 评估系统的可扩展性和可操作性，以使 AI 行为与人类的认知模型保持一致。

AI 摘要

AI 生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现新信息、帮助读者评估文章的相关性，并协助来自相关研究领域的读者理解本文内容。它是对作者提供的摘要的补充，作者提供的摘要仍是本文的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击 此处 对此摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由 AI 生成的通俗语言摘要，您必须具有高级访问权限。