ARAIDA: Analogical Reasoning-Augmented Interactive Data Annotation

人工标注是一项耗时耗力的任务。为了解决这个问题，交互式数据标注利用标注模型提供建议供人类审批或更正。然而，使用有限标记数据训练的标注模型容易生成错误的建议，导致额外的人工更正工作。为了解决这个挑战，我们提出了Araida，一种基于类比推理的方法，可以提高交互式数据标注中自动标注的准确性，减少对人工更正的需求。Araida采用了一种错误感知的集成策略，动态协调标注模型和k最近邻（KNN）模型，当标注模型的预测被认为不准确时，更重视KNN的预测。实证研究表明，Araida适用于不同的标注任务和模型，并且平均减少了11.02％的人工更正工作量，相比于原始的交互式数据标注方法。

提高交互数据标注的准确性，减少人工纠错工作量

使用基于类比推理的方法，动态协调注释模型和k最近邻模型的预测结果，降低注释模型错误率，从而减少人工纠错工作量

Araida方法可适用于不同的注释任务和模型，平均可以减少11.02%的人工纠错工作量，实验结果表明其有效性

与本文相关的研究包括交互式数据标注、注释模型和k最近邻模型的研究，具体的相关论文有《Interactive Data Annotation with Human in the Loop: Learning and Evaluation》、《Active Learning with Annotation by Querying Gradient Information》、《k-Nearest Neighbor Classification》等