휴먼인더루프

기계 학습과 데이터 마이닝
패러다임 지도 학습 비지도 학습 온라인 기계 학습 메타-학습 준지도 학습 자기 지도 학습 강화 학습 규칙 기반 기계 학습 뉴로모픽 엔지니어링 양자 기계 학습
문제 분류 생성 모델 회귀 분석 클러스터 분석 차원 축 이상 탐지 데이터 정제 AutoML 연관 규칙 학습 구조 기반 예측 특징 공학 특징 학습 순위 학습 문법 유도 온톨로지 학습 멀티모덜 학습
지도 학습 (통계적 분류 • 회귀 분석) 결정 트리 학습법 앙상블 학습법 배깅 부스팅 랜덤 포레스트 최근접 이웃 탐색 k-NN 선형 회귀 나이브 베이즈 인공신경망 로지스틱 회귀 퍼셉트론 상관 벡터 머신(RVM) 서포트 벡터 머신(SVM)
클러스터 분석 BIRCH CURE 알고리즘 계층적 군집화 k-평균 알고리즘 퍼지 클러스터링 기댓값 최대화 알고리즘 DBSCAN OPTICS 평균이동
차원 축소 인자 분석 CCA 독립 성분 분석 선형 판별 분석 음수 미포함 행렬 분해 주성분 분석 t-SNE
구조화 예측 그래프 모형 베이즈 네트워크 조건부 무작위장 은닉 마르코프 모형 잠재 디리클레 할당
이상 탐지 무작위 표본 합의 k-최근접 이웃 알고리즘 국소 특이점 요인 고립 포레스트
인공 신경망 오토인코더 딥 러닝 순방향 신경망 순환 신경망 LSTM GRU 볼츠만 머신 제한된 생성적 적대 신경망 확산 모델 자기조직화 지도 합성곱 신경망 LeNet 알렉스넷 딥드림 신경 방사장 트랜스포머 비전 맘바 스파이킹 신경망 멤트렌지스터 전기화학 RAM 다층 퍼셉트론
강화 학습 Q 러닝 SARSA 시간차 학습
인간 참여학습 액티브 러닝 크라우드소싱 휴먼인더루프 RLHF
모델 진단 결정계수 혼동 행렬 러닝 커브 수신자 조작 특성
이론 커널 메소드 편향-분산 트레이드오프 계산학습이론 경험적 위험 최소화 PAC 러닝 통계적 학습이론 VC 이론
회의/저널 NeurIPS ICML ICLR ML JMLR
관련 문서 기계 학습 알고리즘 목록 기계 탈학습 지식 증류 유사도 학습 대조 학습
v t e

휴먼인더루프(Human-in-the-loop, HITL)는 여러 상황에서 사용된다. 인간의 상호작용이 필요한 모델이라고 정의할 수 있다.^[1][2] HITL은 실제, 가상 및 건설적 분류에서 모델링 및 시뮬레이션(M 및 S)과 연관되어 있다. HITL은 관련 휴먼온더루프(Human-On-The-Loop)와 함께 치명적인 자율 무기와 관련하여 사용된다.^[3] 또한 HITL은 기계 학습의 맥락에서 사용된다.^[4]

기계 학습에서 HITL은 모델 구축 시 컴퓨터가 올바른 결정을 내릴 수 있도록 인간이 돕는다는 의미로 사용된다.^[4] HITL은 모델을 개선하는 데 필요한 가장 중요한 데이터를 선택하여 무작위 샘플링보다 기계 학습을 향상시킨다.^[5]

시뮬레이션에서 HITL 모델은 실물 모형의 경우처럼 인적 요소 요구 사항을 준수할 수 있다. 이러한 유형의 시뮬레이션에서 인간은 항상 시뮬레이션의 일부이며 결과적으로 정확하게 재현하는 것이 불가능하지는 않더라도 어려운 방식으로 결과에 영향을 미친다. 또한 HITL을 사용하면 다른 시뮬레이션 수단으로는 쉽게 식별할 수 없는 문제와 요구 사항을 쉽게 식별할 수 있다.

HITL은 대화형 시뮬레이션이라고도 하며, 비행이나 운전 시뮬레이터와 같이 물리적 시뮬레이션에 인간 조작자가 포함되는 특별한 종류의 물리적 시뮬레이션이다.

• 인간 피드백을 통한 강화 학습