論文の概要: Crowdsourcing the Perception of Machine Teaching

• arxiv url: http://arxiv.org/abs/2002.01618v1
• Date: Wed, 5 Feb 2020 03:20:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 21:30:41.254044
• Title: Crowdsourcing the Perception of Machine Teaching
• Title（参考訳）: 機械教育の知覚をクラウドソーシングする
• Authors: Jonggi Hong, Kyungjun Lee, June Xu, Hernisa Kacorri
• Abstract要約: 教育可能なインターフェースは、エンドユーザが機械学習システムをその慣用的な特性と環境にチューニングすることを可能にする。 制御を容易にする一方で、その効果は専門知識や誤解の欠如によって妨げられる。 本研究では, Amazon Mechanical Turk にモバイル教育可能なテストベッドを配置することで, 機械教育におけるユーザの関与を概念化し, 経験し, 反映する方法について検討する。
• 参考スコア（独自算出の注目度）: 17.94519906313517
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Teachable interfaces can empower end-users to attune machine learning systems to their idiosyncratic characteristics and environment by explicitly providing pertinent training examples. While facilitating control, their effectiveness can be hindered by the lack of expertise or misconceptions. We investigate how users may conceptualize, experience, and reflect on their engagement in machine teaching by deploying a mobile teachable testbed in Amazon Mechanical Turk. Using a performance-based payment scheme, Mechanical Turkers (N = 100) are called to train, test, and re-train a robust recognition model in real-time with a few snapshots taken in their environment. We find that participants incorporate diversity in their examples drawing from parallels to how humans recognize objects independent of size, viewpoint, location, and illumination. Many of their misconceptions relate to consistency and model capabilities for reasoning. With limited variation and edge cases in testing, the majority of them do not change strategies on a second training attempt.
• Abstract（参考訳）: 教育可能なインターフェースは、関連するトレーニング例を明示的に提供することにより、エンドユーザに、独自の特徴と環境に機械学習システムをチューニングする権限を与えることができる。 制御を容易にする一方で、その効果は専門知識や誤解の欠如によって妨げられる。 ユーザがamazon mechanical turkにモバイル教育可能なテストベッドを配置することで,機械教育への関与を概念化し,経験し,反映する方法について検討する。 パフォーマンスベースの支払いスキームを使用して、Mechanical Turkers (N = 100) は、環境で数枚のスナップショットを撮って、堅牢な認識モデルをリアルタイムでトレーニング、テスト、再トレーニングするために呼び出される。 参加者は、大きさ、視点、位置、照明によらず、人間が物体を認識する方法と平行して描いた例に多様性を取り入れている。 彼らの誤解の多くは、一貫性と推論のモデル能力に関連している。 テストのバリエーションやエッジケースが限られているため、ほとんどの場合、2回目のトレーニングでは戦略を変更しない。

関連論文リスト

• Adaptive Teaching in Heterogeneous Agents: Balancing Surprise in Sparse Reward Scenarios [3.638198517970729]
  実証から学ぶことは、類似エージェントでシステムを訓練する効果的な方法である。 しかし、生徒の能力の限界から外れたデモを自然に複製することは、効率的な学習を制限することができる。 本稿では,教師と学生エージェントの異質性の課題に対処するために,教員-学生学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-23T05:52:42Z)
• Learning Reusable Manipulation Strategies [86.07442931141634]
  人間は「トリック」を習得し、一般化する素晴らしい能力を実証する 本稿では,機械が1つの実演と自己演奏によってこのような操作スキルを習得することを可能にするフレームワークを提案する。 これらの学習メカニズムとサンプルは、標準的なタスクやモーションプランナにシームレスに統合できる。
  論文  参考訳（メタデータ） (2023-11-06T17:35:42Z)
• A Survey of Demonstration Learning [0.0]
  実証学習(Demonstration Learning)は、エージェントがデモンストレーションで示された専門家の行動を模倣してタスクを実行することを学習するパラダイムである。 デモから複雑な振る舞いを学ぶ大きな可能性を秘めているため、大きな注目を集めている。 環境と対話することなく学習することで、デモ学習はロボット工学や医療といった幅広い現実世界の応用を自動化できる。
  論文  参考訳（メタデータ） (2023-03-20T15:22:10Z)
• Planning for Learning Object Properties [117.27898922118946]
  我々は、物体特性を象徴的な計画問題として認識するために、ニューラルネットワークを自動的に訓練する問題を定式化する。 トレーニングデータセット作成と学習プロセスを自動化するための戦略を作成するために,計画手法を使用します。 シミュレーションと実環境の両方で実験的な評価を行う。
  論文  参考訳（メタデータ） (2023-01-15T09:37:55Z)
• Blind Users Accessing Their Training Images in Teachable Object Recognizers [12.833745050235047]
  MyCamは、ユーザーのトレーニングセット内の写真への非視覚的アクセスのために、自動的に推定されたディスクリプタを組み込んだモバイルアプリである。 我々は、リアルタイム写真レベルの記述子により、視覚障害者が被写体で写真を減らすことができ、参加者がトレーニングセットの質を反復してアクセスすることで、より多くのバリエーションを付加できることを実証した。
  論文  参考訳（メタデータ） (2022-08-16T21:59:48Z)
• Understanding Robustness in Teacher-Student Setting: A New Perspective [42.746182547068265]
  適応的な例は機械学習モデルで、有界な対向的摂動はモデルを誤解させ、任意に誤った予測をすることができる。 広範な研究は、逆例の存在を説明し、モデルのロバスト性を改善する方法を提供する。 我々の研究は、敵対的な事例に関する将来の探索を暗示し、原則化されたデータ拡張を通じてモデルロバスト性を高めることができる。
  論文  参考訳（メタデータ） (2021-02-25T20:54:24Z)
• PsiPhi-Learning: Reinforcement Learning with Demonstrations using Successor Features and Inverse Temporal Difference Learning [102.36450942613091]
  時間差学習(ITD)と呼ばれる逆強化学習アルゴリズムを提案する。 Psi Phi$-learningと呼ばれるデモで強化学習のための新しいアルゴリズムに到達し、オンライン環境の相互作用から学習とITDをシームレスに統合する方法を示します。
  論文  参考訳（メタデータ） (2021-02-24T21:12:09Z)
• Interactive Weak Supervision: Learning Useful Heuristics for Data Labeling [19.24454872492008]
  弱監督は、基礎的な真理ラベルなしでラベル付きデータセットを作成するための有望な代替手段を提供する。 本稿では,対話型弱監督のための最初のフレームワークを開発し,その手法が反復を提案し,ユーザフィードバックから学習する。 私たちの実験は、非常に競争力のあるテストセット性能を達成するモデルのトレーニングに少数のフィードバックが必要であることを示しています。
  論文  参考訳（メタデータ） (2020-12-11T00:10:38Z)
• Combining Self-Training and Self-Supervised Learning for Unsupervised Disfluency Detection [80.68446022994492]
  本研究では,未ラベルテキストコーパスを扱える教師なし学習パラダイムについて検討する。 我々のモデルは、自己学習の考え方を拡張する半教師あり学習アプローチである、雑音学習(Noisy Student Training)に関する最近の研究に基づいている。
  論文  参考訳（メタデータ） (2020-10-29T05:29:26Z)
• Visual Imitation Made Easy [102.36509665008732]
  本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。 我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。 我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
  論文  参考訳（メタデータ） (2020-08-11T17:58:50Z)
• Never Stop Learning: The Effectiveness of Fine-Tuning in Robotic Reinforcement Learning [109.77163932886413]
  本稿では,ロボットによるロボット操作ポリシーを,政治以外の強化学習を通じて微調整することで,新たなバリエーションに適応する方法を示す。 この適応は、タスクをゼロから学習するために必要なデータの0.2%未満を使用する。 事前訓練されたポリシーを適用するという私たちのアプローチは、微調整の過程で大きなパフォーマンス向上につながります。
  論文  参考訳（メタデータ） (2020-04-21T17:57:04Z)

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。