論文の概要: Data Vision: Learning to See Through Algorithmic Abstraction
- arxiv url: http://arxiv.org/abs/2002.03387v1
- Date: Sun, 9 Feb 2020 15:46:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 14:35:59.094630
- Title: Data Vision: Learning to See Through Algorithmic Abstraction
- Title(参考訳): データビジョン:アルゴリズムの抽象化を通して学ぶ
- Authors: Samir Passi, Steven J. Jackson
- Abstract要約: データを通して学ぶことは、アルゴリズムによる知識生産の現代的な形式の中心である。
本稿では,データ解析学習環境において,機械化や識別の要求が頻繁に発生する状況について考察する。
- 参考スコア(独自算出の注目度): 6.730787776951012
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning to see through data is central to contemporary forms of algorithmic
knowledge production. While often represented as a mechanical application of
rules, making algorithms work with data requires a great deal of situated work.
This paper examines how the often-divergent demands of mechanization and
discretion manifest in data analytic learning environments. Drawing on research
in CSCW and the social sciences, and ethnographic fieldwork in two data
learning environments, we show how an algorithm's application is seen sometimes
as a mechanical sequence of rules and at other times as an array of situated
decisions. Casting data analytics as a rule-based (rather than rule-bound)
practice, we show that effective data vision requires would-be analysts to
straddle the competing demands of formal abstraction and empirical contingency.
We conclude by discussing how the notion of data vision can help better
leverage the role of human work in data analytic learning, research, and
practice.
- Abstract(参考訳): データを通して学ぶことは、現代のアルゴリズム知識生産の中心である。
しばしば、ルールの機械的応用として表現されるが、アルゴリズムをデータで動作させるには、大量の配置作業が必要である。
本稿では,データ解析学習環境において,機械化や識別の要求が頻繁に発生するかを検討する。
CSCWと社会科学の研究、および2つのデータ学習環境におけるエスノグラフィフィールドワークに基づいて、アルゴリズムの応用が、時としてルールの機械的シーケンスとして、また時には位置決定の配列として見られるかを示す。
ルールベース(ルールバウンドではなく)のプラクティスとしてデータ分析を鋳造することは、効果的なデータビジョンには、形式的抽象化と経験的偶発性という競合する要求に、アナリストが必要となることを示している。
最後に、データビジョンの概念が、データ分析学習、研究、実践におけるヒューマンワークの役割をよりうまく活用する上で、どのように役立つかを論じる。
関連論文リスト
- Towards Explainable Artificial Intelligence (XAI): A Data Mining
Perspective [35.620874971064765]
この研究は、データ収集、処理、分析が説明可能なAI(XAI)にどのように貢献するかを「データ中心」の視点で検証する。
我々は,既存の研究を,深層モデルの解釈,トレーニングデータの影響,ドメイン知識の洞察の3つのカテゴリに分類する。
具体的には、XAIの方法論を、モダリティをまたいだデータのトレーニングおよびテストに関するデータマイニング操作に蒸留する。
論文 参考訳(メタデータ) (2024-01-09T06:27:09Z) - Privacy-Preserving Graph Machine Learning from Data to Computation: A
Survey [67.7834898542701]
我々は,グラフ機械学習のプライバシ保護手法の見直しに重点を置いている。
まずプライバシ保護グラフデータを生成する方法を検討する。
次に,プライバシ保護情報を送信する方法について述べる。
論文 参考訳(メタデータ) (2023-07-10T04:30:23Z) - ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
認知のための行動認識型身体学習(ALP)について紹介する。
ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。
ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-16T21:51:04Z) - Human-Centric Multimodal Machine Learning: Recent Advances and Testbed
on AI-based Recruitment [66.91538273487379]
人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。
i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
論文 参考訳(メタデータ) (2023-02-13T16:44:44Z) - Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。
我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文 参考訳(メタデータ) (2022-07-18T11:38:32Z) - Causal Reasoning Meets Visual Representation Learning: A Prospective
Study [117.08431221482638]
解釈可能性の欠如、堅牢性、分布外一般化が、既存の視覚モデルの課題となっている。
人間レベルのエージェントの強い推論能力にインスパイアされた近年では、因果推論パラダイムの開発に多大な努力が注がれている。
本稿では,この新興分野を包括的に概観し,注目し,議論を奨励し,新たな因果推論手法の開発の急激さを先導することを目的とする。
論文 参考訳(メタデータ) (2022-04-26T02:22:28Z) - A survey on datasets for fairness-aware machine learning [6.962333053044713]
多くのフェアネス対応機械学習ソリューションが提案されている。
本稿では,フェアネスを意識した機械学習に使用される実世界のデータセットについて概説する。
データセットのバイアスと公平性についてより深く理解するために、探索分析を用いて興味深い関係を考察する。
論文 参考訳(メタデータ) (2021-10-01T16:54:04Z) - Do Datasets Have Politics? Disciplinary Values in Computer Vision
Dataset Development [6.182409582844314]
約500のコンピュータビジョンデータセットのコーパスを収集し、そこから異なるビジョンタスクで114のデータセットパブリッシュをサンプリングしました。
我々は、コンピュータビジョンデータセットの著者が、ケアを犠牲にして効率をどのように評価するか、コンテキストを犠牲にして普遍性、データ作業を犠牲にしてモデルワークをいかに評価するかについて議論する。
私たちは、沈黙された値をデータセットの生成とキュレーションプロセスにどのように組み込むか、という提案で締めくくります。
論文 参考訳(メタデータ) (2021-08-09T19:07:58Z) - Multivariate Business Process Representation Learning utilizing Gramian
Angular Fields and Convolutional Neural Networks [0.0]
データの意味のある表現を学習することは、機械学習の重要な側面である。
予測的プロセス分析では、プロセスインスタンスのすべての説明的特性を利用できるようにすることが不可欠である。
本稿では,ビジネスプロセスインスタンスの表現学習のための新しいアプローチを提案する。
論文 参考訳(メタデータ) (2021-06-15T10:21:14Z) - Which Mutual-Information Representation Learning Objectives are
Sufficient for Control? [80.2534918595143]
相互情報は、データの表現を学習するために魅力的な形式を提供する。
本稿では,最適政策の学習と表現のための状態表現の十分性について定式化する。
意外なことに、これらの2つの目的は、MDPの構造に関する軽度で一般的な仮定を前提に、不十分な表現をもたらす可能性がある。
論文 参考訳(メタデータ) (2021-06-14T10:12:34Z) - Online Graph Completion: Multivariate Signal Recovery in Computer Vision [29.89364298411089]
グラフ上で定義された「完了」問題について検討し、追加測定の要求を順次行う必要がある。
グラフのフーリエ領域における最適化モデルを設計し、適応的な部分モジュラー性に基づくアイデアが実際にうまく機能するアルゴリズムをどう提供するかを記述する。
Imgurから収集した大量の画像では、分類が難しい画像について有望な結果が得られます。
論文 参考訳(メタデータ) (2020-08-12T01:34:21Z)
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。