Human in the Latent Loop（HILL）：通过人类直觉交互式引导模型训练

基于摘要分析。本文研究如何将人类对任务领域的直觉融入机器学习模型训练，提出交互框架 HILL，让用户通过调整潜在空间表示来引导模型，而非仅观察模型的表示结构。主要贡献是将交互修改接入训练循环，并考察人类干预的策略与偏见风险。 机制上，HILL 使用受知识蒸馏启发的方法，将用户修改后的表示视为教师信号，引导模型重塑自身的潜在表示。摘要未说明具体交互操作、表示维度、教师信号构造、损失形式或模型架构，不能据此归类为特定 State space model 方法。该机制依赖可供用户理解和操作的表示，以及将修改映射回训练目标的有效约束；具体数据结构、监督条件与训练规模尚未验证。 评估采用用户研究，要求参与者训练一个最优模型，并观察其使用的策略。作者报告，人类引导的潜在空间修改能够改善模型性能并保持泛化，同时存在引入用户偏见的风险。摘要未提供任务、数据集、参与者人数、划分、对照基线或指标数值，实验协议、消融及统计信息尚未验证，因此尚不能判断收益大小、稳定性或交互成本。 平台推测（待验证）：若 EEG 表示可被可靠地呈现并操作，这一机制可能用于研究专家反馈能否纠正与任务无关的表示结构，而不是作为已证实的 BCI 改进。可复用部分是交互反馈与教师引导训练的连接方式；需改造 EEG 编码器、表示可视化及修改约束。低信噪比、通道差异、跨被试变异和小数据可能使用户误将噪声或被试特征视为任务结构。一个可证伪的小实验是在固定 Cross-subject 划分下，对比相同编码器的无干预训练与 HILL 式专家干预，统一训练和交互预算，检验预先指定的分类指标是否改善，并核对是否损害留出被试表现。已有 EEG 相关工作尚未检索确认。