論文の概要: On Interactive Machine Learning and the Potential of Cognitive Feedback
- arxiv url: http://arxiv.org/abs/2003.10365v1
- Date: Mon, 23 Mar 2020 16:28:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 23:52:21.529786
- Title: On Interactive Machine Learning and the Potential of Cognitive Feedback
- Title（参考訳）: 対話型機械学習と認知フィードバックの可能性について
- Authors: Chris J. Michael, Dina Acklin, Jaelle Scheuerman
- Abstract要約: 対話型機械学習を導入し、その利点と限界を防衛的応用の文脈で説明する。
我々は、自己報告、暗黙的な認知フィードバック、モデル化された認知フィードバックの3つの手法を定義した。
- 参考スコア（独自算出の注目度）: 2.320417845168326
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In order to increase productivity, capability, and data exploitation,
numerous defense applications are experiencing an integration of
state-of-the-art machine learning and AI into their architectures. Especially
for defense applications, having a human analyst in the loop is of high
interest due to quality control, accountability, and complex subject matter
expertise not readily automated or replicated by AI. However, many applications
are suffering from a very slow transition. This may be in large part due to
lack of trust, usability, and productivity, especially when adapting to
unforeseen classes and changes in mission context. Interactive machine learning
is a newly emerging field in which machine learning implementations are
trained, optimized, evaluated, and exploited through an intuitive
human-computer interface. In this paper, we introduce interactive machine
learning and explain its advantages and limitations within the context of
defense applications. Furthermore, we address several of the shortcomings of
interactive machine learning by discussing how cognitive feedback may inform
features, data, and results in the state of the art. We define the three
techniques by which cognitive feedback may be employed: self reporting,
implicit cognitive feedback, and modeled cognitive feedback. The advantages and
disadvantages of each technique are discussed.
- Abstract（参考訳）: 生産性、能力、データエクスプロイトを向上させるために、多くの防衛アプリケーションは最先端の機械学習とAIをアーキテクチャに統合している。
特に防衛アプリケーションでは、品質管理、説明責任、複雑な主題に関する専門知識がAIによって容易に自動化または複製されないため、人間のアナリストがループにいることが注目されている。
しかし、多くのアプリケーションは非常に遅い移行に苦しんでいる。
これは、特に予期せぬクラスやミッションコンテキストの変更に適応する場合に、信頼、ユーザビリティ、生産性が欠如しているためである。
インタラクティブ機械学習は、機械学習の実装を直感的なヒューマンコンピュータインターフェースを通じてトレーニング、最適化、評価、活用する新たな分野である。
本稿では,対話型機械学習を導入し,その利点と限界を防衛的応用の文脈で説明する。
さらに,インタラクティブな機械学習の欠点のいくつかを,認知的フィードバックが特徴やデータ,結果にどのように影響を与えるか,という議論から解決する。
我々は、自己報告、暗黙的な認知フィードバック、モデル化された認知フィードバックの3つの手法を定義した。
それぞれの手法の利点と欠点について論じる。
関連論文リスト
- Explainable Artificial Intelligence Techniques for Accurate Fault Detection and Diagnosis: A Review [0.0]
この文脈でeXplainable AI(XAI)ツールとテクニックをレビューする。
私たちは、AI決定を透明にする彼らの役割、特に人間が関与する重要なシナリオに重点を置いています。
モデル性能と説明可能性のバランスをとることを目的とした,現在の限界と今後の研究について論じる。
論文 参考訳（メタデータ） (2024-04-17T17:49:38Z) - Toward enriched Cognitive Learning with XAI [44.99833362998488]
本稿では,人工知能(AI)ツールによる認知学習のためのインテリジェントシステム(CL-XAI)を提案する。
CL-XAIの使用は、学習者が問題解決スキルを高めるために問題に取り組むゲームインスパイアされた仮想ユースケースで説明される。
論文 参考訳（メタデータ） (2023-12-19T16:13:47Z) - Enabling High-Level Machine Reasoning with Cognitive Neuro-Symbolic
Systems [67.01132165581667]
本稿では,認知アーキテクチャを外部のニューロシンボリックコンポーネントと統合することにより,AIシステムにおける高レベル推論を実現することを提案する。
本稿では,ACT-Rを中心としたハイブリッドフレームワークについて紹介し,最近の応用における生成モデルの役割について論じる。
論文 参考訳（メタデータ） (2023-11-13T21:20:17Z) - Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。
PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文 参考訳（メタデータ） (2023-08-15T16:37:16Z) - From Machine Learning to Robotics: Challenges and Opportunities for
Embodied Intelligence [113.06484656032978]
記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。
私たちは、インテリジェンスを具体化するための課題と機会を強調します。
本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
論文 参考訳（メタデータ） (2021-10-28T16:04:01Z) - Human-Robot Collaboration and Machine Learning: A Systematic Review of
Recent Research [69.48907856390834]
人間ロボットコラボレーション(Human-robot collaboration、HRC)とは、人間とロボットの相互作用を探索する手法である。
本稿では,HRCの文脈における機械学習技術の利用に関する詳細な文献レビューを提案する。
論文 参考訳（メタデータ） (2021-10-14T15:14:33Z) - Cognitive architecture aided by working-memory for self-supervised
multi-modal humans recognition [54.749127627191655]
人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。
ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。
1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
論文 参考訳（メタデータ） (2021-03-16T13:50:24Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳（メタデータ） (2020-12-21T15:07:19Z)
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。