論文の概要: Some people aren't worth listening to: periodically retraining classifiers with feedback from a team of end users

• arxiv url: http://arxiv.org/abs/2004.13152v1
• Date: Mon, 27 Apr 2020 20:18:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 04:35:06.955944
• Title: Some people aren't worth listening to: periodically retraining classifiers with feedback from a team of end users
• Title（参考訳）: 聞く価値のない人: エンドユーザーのチームからのフィードバックで定期的に分類器を再トレーニングする
• Authors: Joshua Lockhart, Samuel Assefa, Tucker Balch, Manuela Veloso
• Abstract要約: 文書分類はビジネス環境ではユビキタスですが、分類器のエンドユーザは、それをメンテナンスするチームと進行中のフィードバック-リトラクションループに従事します。 ラベル付きデータに対するフィードバックを提供する自律エージェントとしてエンドユーザーを考慮し、マルチエージェントの観点からこのフィードバック・リトレーニング・ループを考察する。 我々は、どのユーザが信頼できないかを学習し、フィードバックをループからフィルタリングし、その後のイテレーションのパフォーマンスを改善することができる分類器を実証する。
• 参考スコア（独自算出の注目度）: 14.944887950559172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Document classification is ubiquitous in a business setting, but often the end users of a classifier are engaged in an ongoing feedback-retrain loop with the team that maintain it. We consider this feedback-retrain loop from a multi-agent point of view, considering the end users as autonomous agents that provide feedback on the labelled data provided by the classifier. This allows us to examine the effect on the classifier's performance of unreliable end users who provide incorrect feedback. We demonstrate a classifier that can learn which users tend to be unreliable, filtering their feedback out of the loop, thus improving performance in subsequent iterations.
• Abstract（参考訳）: 文書分類はビジネス環境ではユビキタスですが、分類器のエンドユーザは、それを維持するチームとの継続的なフィードバック-リトラクションループに従事します。 分類器が提供するラベル付きデータに対するフィードバックを提供する自律エージェントとしてエンドユーザーを考慮し、マルチエージェントの観点からこのフィードバック・リトレーニング・ループを考察する。 これにより、誤ったフィードバックを提供する信頼性の低いエンドユーザの分類器のパフォーマンスへの影響を検証できます。 我々は、どのユーザが信頼できないかを知り、ループからフィードバックをフィルタリングし、その後のイテレーションでパフォーマンスを改善する分類器を示す。

関連論文リスト

• Rethinking the Evaluation of Dialogue Systems: Effects of User Feedback on Crowdworkers and LLMs [57.16442740983528]
  アドホック検索では、評価は暗黙のフィードバックを含むユーザーの行動に大きく依存する。 アノテータの会話知覚におけるターン評価におけるユーザフィードバックの役割はほとんど研究されていない。 本稿では,タスク指向対話システム(TDS)の評価が,ターンのフォローアップ発話を通じて提供されるユーザフィードバック,明示的あるいは暗黙的な評価にどのように影響するかに注目した。
  論文  参考訳（メタデータ） (2024-04-19T16:45:50Z)
• Learning from Negative User Feedback and Measuring Responsiveness for Sequential Recommenders [13.762960304406016]
  シーケンシャルレコメンデータのトレーニング目標に、明示的かつ暗黙的なネガティブなユーザフィードバックを導入する。 大規模産業レコメンデーションシステムを用いた実演実験により,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-08-23T17:16:07Z)
• Simulating Bandit Learning from User Feedback for Extractive Question Answering [51.97943858898579]
  教師付きデータを用いたフィードバックのシミュレーションにより,ユーザフィードバックからの学習を抽出的質問応答に適用する。 当初は少数の例でトレーニングしたシステムが,モデル予測された回答に対するユーザからのフィードバックを劇的に改善できることが示される。
  論文  参考訳（メタデータ） (2022-03-18T17:47:58Z)
• SIFN: A Sentiment-aware Interactive Fusion Network for Review-based Item Recommendation [48.1799451277808]
  本稿では、レビューに基づく項目推薦のための感性認識型インタラクティブフュージョンネットワーク(SIFN)を提案する。 まず、BERTを介してユーザ/イテムレビューをエンコードし、各レビューのセマンティックな特徴を抽出する軽量な感情学習者を提案する。 そこで我々は,感情学習者が明示的な感情ラベルを用いて感情認識特徴を抽出するための感情予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-08-18T08:04:38Z)
• Improving Opinion Spam Detection by Cumulative Relative Frequency Distribution [0.9176056742068814]
  オンラインレビューにおける意見スパムの検出には様々なアプローチが提案されている。 我々は意見スパムの分類に有効な一連の機能を再設計した。 分布特性を用いることで分類器の性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-12-27T10:23:44Z)
• Improving Conversational Question Answering Systems after Deployment using Feedback-Weighted Learning [69.42679922160684]
  本稿では,二元的ユーザフィードバックを用いた初期教師付きシステムを改善するために,重要サンプリングに基づくフィードバック重み付き学習を提案する。 当社の作業は,実際のユーザとのインタラクションを活用し,デプロイ後の会話システムを改善する可能性を開くものだ。
  論文  参考訳（メタデータ） (2020-11-01T19:50:34Z)
• SURF: Improving classifiers in production by learning from busy and noisy end users [12.034109933050036]
  従来のクラウドソーシングアルゴリズムがこのユーザフィードバック設定で苦労していることを示す。 我々はこの非応答曖昧性に対処できる新しいアルゴリズム SURF を提案する。
  論文  参考訳（メタデータ） (2020-10-12T16:59:35Z)
• Partial Bandit and Semi-Bandit: Making the Most Out of Scarce Users' Feedback [62.997667081978825]
  本稿では,ユーザのフィードバックを考慮し,3つの戦略を用いて評価する手法を提案する。 ユーザからのフィードバックが制限されているにも関わらず(全体の20%以下)、我々の手法は最先端のアプローチと同じような結果が得られる。
  論文  参考訳（メタデータ） (2020-09-16T07:32:51Z)
• A Unified Dual-view Model for Review Summarization and Sentiment Classification with Inconsistency Loss [51.448615489097236]
  ユーザーレビューから正確な要約と感情を取得することは、現代のEコマースプラットフォームにとって不可欠な要素である。 本稿では,これら2つのタスクの性能を協調的に改善する新しいデュアルビューモデルを提案する。 異なる領域の4つの実世界のデータセットに対する実験結果から,本モデルの有効性が示された。
  論文  参考訳（メタデータ） (2020-06-02T13:34:11Z)

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。