本文探讨了学习推迟（L2D）框架在决策中的应用，提出了在成本和能力约束下的推迟框架（DeCCaF），并在欺诈检测场景中进行测试，结果显示显著降低了错误分类成本。研究表明，结合专家预测与机器学习模型能够有效提升决策质量。

本文研究了利用多个专家进行学习推迟的代理损失和算法，提出了一种新的学习框架，显著提高了分类器的准确性和公平性。通过理论分析和实验验证，表明在不同数据集上，使用人类专家预测能有效提升决策系统的性能，尤其在成本敏感场景下表现优异。

该文综述人机协作内容审核研究，提出“学习推迟”框架：AI将低置信样本交由人类专家判断，以提升准确性与公平性。研究涵盖三步训练法、专家能力预测、损失函数设计及人机信息传递。实验表明，少量专家预测即可超越单独AI或人类，并揭示注释顺序与偏见的影响。