学员分享学习（L2D）旨在改善人工智能协作系统，通过学习如何将决策推迟到人类在更可能比机器学习分类器更准确时。研究提出了成本和能力约束下的推迟框架（DeCCaF），通过监督学习建模人类错误概率，并使用约束编程全局最小化错误成本。测试结果表明，DeCCaF在欺诈检测场景中表现显著好，平均减少了8.4%的错误分类成本。