Fugu-MT 論文翻訳(概要): Designing for the Long Tail of Machine Learning

論文の概要: Designing for the Long Tail of Machine Learning

arxiv url: http://arxiv.org/abs/2001.07455v1
Date: Tue, 21 Jan 2020 11:53:28 GMT
ステータス: 処理完了
システム内更新日: 2023-01-07 23:44:55.281613
Title: Designing for the Long Tail of Machine Learning
Title（参考訳）: 機械学習のロングテールのための設計
Authors: Martin Lindvall and Jesper Molin
Abstract要約: 機械学習のパフォーマンスがトレーニングデータとどのようにスケールし、デザイナがデータ収集、モデル開発、および与えられたモデルパフォーマンスのための貴重なインタラクションを設計するためのトレードオフをガイドするかを説明します。我々は,ブートストラップフェーズにおける初期システムの設計に有用なパターンについて論じる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent technical advances has made machine learning (ML) a promising component to include in end user facing systems. However, user experience (UX) practitioners face challenges in relating ML to existing user-centered design processes and how to navigate the possibilities and constraints of this design space. Drawing on our own experience, we characterize designing within this space as navigating trade-offs between data gathering, model development and designing valuable interactions for a given model performance. We suggest that the theoretical description of how machine learning performance scales with training data can guide designers in these trade-offs as well as having implications for prototyping. We exemplify the learning curve's usage by arguing that a useful pattern is to design an initial system in a bootstrap phase that aims to exploit the training effect of data collected at increasing orders of magnitude.
Abstract（参考訳）: 最近の技術進歩により、機械学習(ml)はエンドユーザー向けシステムを含む有望なコンポーネントとなった。しかしながら、ユーザエクスペリエンス(UX)実践者は、MLと既存のユーザ中心の設計プロセスとの関係と、このデザイン空間の可能性と制約をナビゲートする方法の課題に直面します。私たちの経験から考えると、私たちはこの領域における設計を、データ収集、モデル開発、および特定のモデルパフォーマンスのための貴重なインタラクションの設計の間のトレードオフをナビゲートするものとして特徴づけています。機械学習のパフォーマンスをトレーニングデータでどのようにスケールするかの理論的な記述は、デザイナーがこれらのトレードオフを導くだけでなく、プロトタイピングにも影響を与えることを示唆する。学習曲線の用例を,データ収集のトレーニング効果を桁違いに活用することを目的としたブートストラップフェーズにおける初期システムの設計が有用なパターンであると主張する。

関連論文リスト

iNNspector: Visual, Interactive Deep Model Debugging [8.997568393450768]
本研究では,ディープラーニング実験のデータ空間を構造化する概念的枠組みを提案する。我々のフレームワークは設計の次元を捉え、このデータを探索可能かつ抽出可能にするためのメカニズムを提案する。我々は、ディープラーニング実験の追跡を可能にし、データのインタラクティブな可視化を提供するiNNspectorシステムを提案する。
論文参考訳（メタデータ） (2024-07-25T12:48:41Z)
InFiConD: Interactive No-code Fine-tuning with Concept-based Knowledge Distillation [18.793275018467163]
本稿では,知識蒸留プロセスの実装に視覚的概念を活用する新しいフレームワークであるInFiConDを提案する。本研究では,概念コーパスからテキストに沿った視覚概念を抽出し,新しい知識蒸留パイプラインを構築する。 InFiConDのインタフェースは、ユーザインタフェース内で概念の影響を直接操作することで、対話的に学生モデルを微調整することができる。
論文参考訳（メタデータ） (2024-06-25T16:56:45Z)
Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文参考訳（メタデータ） (2024-01-24T01:33:39Z)
Understanding LLMs: A Comprehensive Overview from Training to Inference [52.70748499554532]
大規模言語モデルの低コストなトレーニングと展開は、将来の開発トレンドを表している。トレーニングに関する議論には、データ前処理、トレーニングアーキテクチャ、事前トレーニングタスク、並列トレーニング、モデル微調整に関連する関連コンテンツなど、さまざまな側面が含まれている。推論の面では、モデル圧縮、並列計算、メモリスケジューリング、構造最適化などのトピックを取り上げている。
論文参考訳（メタデータ） (2024-01-04T02:43:57Z)
fAIlureNotes: Supporting Designers in Understanding the Limits of AI Models for Computer Vision Tasks [32.53515595703429]
fAIlureNotesはデザイナ中心の障害調査と分析ツールだ。モデルの評価や、さまざまなユーザグループやシナリオにおける障害の特定において、デザイナをサポートする。
論文参考訳（メタデータ） (2023-02-22T23:41:36Z)
Design Space Exploration and Explanation via Conditional Variational Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。 CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文参考訳（メタデータ） (2022-11-29T17:28:31Z)
Addressing Bias in Visualization Recommenders by Identifying Trends in Training Data: Improving VizML Through a Statistical Analysis of the Plotly Community Feed [55.41644538483948]
機械学習は、高いスケーラビリティと表現力のために、視覚化レコメンデーションに対する有望なアプローチである。本研究は,統計的解析によりトレーニングデータの傾向を特定することで,機械学習可視化推薦システムにおけるトレーニングバイアスに対処することを目的とする。
論文参考訳（メタデータ） (2022-03-09T18:36:46Z)
Designing Composites with Target Effective Young's Modulus using Reinforcement Learning [22.370280906472008]
複合構造設計のための強化学習(Reinforcement Learning, RL)ベースのフレームワークを開発し, 活用する。構成材料のソフトブロックと順応ブロックからなる複合設計空間5ドルに対して、本手法を用いることで、総設計空間の2.78%が225ドルの設計可能性から構成できることがわかった。開発されたRLベースのフレームワークは、90%以上の成功率で設計を見つけることができる。
論文参考訳（メタデータ） (2021-10-07T05:44:48Z)
Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
論文参考訳（メタデータ） (2021-08-17T17:44:38Z)
Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning [109.74041512359476]
視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
論文参考訳（メタデータ） (2020-12-08T18:03:21Z)
Human-in-the-Loop Design Cycles -- A Process Framework that Integrates Design Sprints, Agile Processes, and Machine Learning with Humans [1.52292571922932]
この研究は、HILL(Human-in-the-learning-loop)デザインサイクルという新しいプロセスフレームワークを提案する。 HILL Design Cyclesプロセスは、定性的なユーザテストの代わりに、設計知覚のための定量的な心理測定器を使用する。生成されたユーザフィードバックは、マシンラーニングモデルをトレーニングし、その後の設計サイクルを4つの設計次元に沿って指示するのに役立つ。
論文参考訳（メタデータ） (2020-02-29T07:35:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。