12、探索CrowdLearn：人群与AI融合的灾害评估新范式

探索CrowdLearn：人群与AI融合的灾害评估新范式

1. 引言

在当今的灾害管理中，准确且及时地评估灾害损失至关重要。传统的基于AI的灾害损失评估（DDA）算法虽有一定成效，但存在诸如黑盒性和故障诊断困难等问题。为解决这些问题，我们引入了CrowdLearn框架，这是一个结合人群智慧与AI能力的混合系统，旨在提高DDA应用的性能。

2. 问题定义

2.1 AI - 基于灾害损失评估模型

在DDA应用中，社交媒体上与灾害事件相关的图像会被动态抓取，并根据图像中报告的损坏程度进行分类。该应用持续运行，灾害图像会定期抓取和分析，我们将这个更新周期称为传感周期。

假设一个DDA应用共有T个传感周期，DDA算法的输入数据样本是一组N张图像，记为$I_1^t, I_2^t, \cdots, I_N^t$，其中$I_i^t$表示第t个传感周期的第i个输入图像。每个图像$I_i^t$都与一个真实标签$O_i^t$和AI算法的估计标签$\tilde{O}_i^t$相关联。

基于深度学习的DDA算法存在以下问题：
- 黑盒性 ：DDA算法是黑盒的深度神经网络模型，分类结果通常缺乏可解释性。
- 故障责任 ：基于AI的DDA算法可能会失败（即提供错误的图像分类标签），并且在没有人工审查的情况下，故障场景难以诊断。

2.2 众包平台模型

众包平台以其成本效益和大量自由职业者而闻名。我们定义了众包平台中使用的关键术语：
- 人群查询（$q_x^t$）