論文の概要: Levels of Analysis for Machine Learning
- arxiv url: http://arxiv.org/abs/2004.05107v1
- Date: Mon, 6 Apr 2020 15:58:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 06:18:59.282454
- Title: Levels of Analysis for Machine Learning
- Title（参考訳）: 機械学習のための分析のレベル
- Authors: Jessica Hamrick and Shakir Mohamed
- Abstract要約: 我々は、研究を理解し、分析し、議論するために使用できる共通の概念的枠組みの採用を提唱する。
認知科学や神経科学で人気があり、機械学習にも大いに役立つと信じているフレームワークを提示する。
- 参考スコア（独自算出の注目度）: 5.042576270337081
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning is currently involved in some of the most vigorous debates
it has ever seen. Such debates often seem to go around in circles, reaching no
conclusion or resolution. This is perhaps unsurprising given that researchers
in machine learning come to these discussions with very different frames of
reference, making it challenging for them to align perspectives and find common
ground. As a remedy for this dilemma, we advocate for the adoption of a common
conceptual framework which can be used to understand, analyze, and discuss
research. We present one such framework which is popular in cognitive science
and neuroscience and which we believe has great utility in machine learning as
well: Marr's levels of analysis. Through a series of case studies, we
demonstrate how the levels facilitate an understanding and dissection of
several methods from machine learning. By adopting the levels of analysis in
one's own work, we argue that researchers can be better equipped to engage in
the debates necessary to drive forward progress in our field.
- Abstract（参考訳）: 機械学習は現在、これまで見た中でもっとも活発な議論に関わっている。
このような議論はしばしば輪になって行き来し、結論も結論も出ない。
機械学習の研究者たちが、まったく異なる参照の枠組みでこれらの議論をし、視点を整合させ、共通の根拠を見つけることが困難であることを考えると、これは当然のことだ。
このジレンマの治療法として、研究を理解し、分析し、議論するために使用できる共通の概念的枠組みの採用を提唱する。
認知科学や神経科学で広く普及しているフレームワークを1つ紹介し,機械学習にも大きなメリットがあると考えている。
一連のケーススタディを通じて、このレベルが機械学習からのいくつかの方法の理解と分離をいかに促進するかを実証する。
研究者は、自身の研究に分析のレベルを取り入れることで、我々の分野の進歩を促進するために必要な議論に積極的に取り組むことができると論じる。
関連論文リスト
- Machine Unlearning: A Survey [56.79152190680552]
プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。
この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。
この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。
この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
論文 参考訳（メタデータ） (2023-06-06T10:18:36Z) - Theme and Topic: How Qualitative Research and Topic Modeling Can Be
Brought Together [5.862480696321741]
確率論的トピックモデリングは、テキストの分析にもとづく機械学習アプローチである。
このアナロジーをテーマとトピックシステムの基盤として利用しています。
これは、対話型機械学習システムの設計における、より一般的なアプローチの例である。
論文 参考訳（メタデータ） (2022-10-03T04:21:08Z) - Foundations and Recent Trends in Multimodal Machine Learning:
Principles, Challenges, and Open Questions [68.6358773622615]
本稿では,マルチモーダル機械学習の計算的基礎と理論的基礎について概説する。
本稿では,表現,アライメント,推論,生成,伝達,定量化という,6つの技術課題の分類法を提案する。
最近の技術的成果は、この分類のレンズを通して示され、研究者は新しいアプローチの類似点と相違点を理解することができる。
論文 参考訳（メタデータ） (2022-09-07T19:21:19Z) - Scientia Potentia Est -- On the Role of Knowledge in Computational
Argumentation [52.903665881174845]
本稿では,計算議論に必要な知識のピラミッドを提案する。
この分野におけるこれらのタイプの役割と統合について,その技術の現状を簡潔に論じる。
論文 参考訳（メタデータ） (2021-07-01T08:12:41Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳（メタデータ） (2021-05-29T21:02:44Z) - 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) - Counterfactual Explanations for Machine Learning: A Review [5.908471365011942]
機械学習における対実的説明に関する研究をレビューし、分類する。
機械学習における対実的説明可能性に対する現代のアプローチは、多くの国で確立された法的教義と結びついている。
論文 参考訳（メタデータ） (2020-10-20T20:08:42Z) - Machine Learning Explainability for External Stakeholders [27.677158604772238]
ブラックボックスを開き、機械学習アルゴリズムをより説明しやすいものにする声が増えている。
我々は,学者,産業専門家,法律学者,政策立案者らとともに,説明可能性に関する共通言語を開発するために1日間のワークショップを開催した。
本稿では、説明可能な機械学習の様々なケーススタディの概要、これらの研究からの教訓、オープンチャレンジについて議論する。
論文 参考訳（メタデータ） (2020-07-10T14:27:06Z) - Causality Learning: A New Perspective for Interpretable Machine Learning [15.556963808865918]
解釈可能な機械学習は、現在、研究コミュニティで主要なトピックです。
本稿では,基礎的背景と重要な概念を用いた因果解析の概要を述べるとともに,直近の因果解析における因果解析手法を要約する。
論文 参考訳（メタデータ） (2020-06-27T13:01:28Z) - Heterogeneous Representation Learning: A Review [66.12816399765296]
不均一表現学習(HRL)には、いくつかの独特な課題がある。
異種入力を用いて既存の学習環境をモデル化可能な統合学習フレームワークを提案する。
HRLでは触れられていない課題と今後の研究方向性を強調します。
論文 参考訳（メタデータ） (2020-04-28T05:12:31Z) - Shortcut Learning in Deep Neural Networks [29.088631285225237]
深層学習の問題のどれ程が、同じ根底にある問題であるショートカット学習の異なる症状と見なすことができるのかを精査することを模索する。
ショートカットは標準的なベンチマークでうまく機能するが、現実のシナリオのようなより困難なテスト条件に移行できない決定ルールである。
我々は、モデル解釈とベンチマークのためのレコメンデーションを開発し、実験室から現実のアプリケーションへの堅牢性と伝達性を改善するために、機械学習の最近の進歩を強調した。
論文 参考訳（メタデータ） (2020-04-16T17:18:49Z)
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。