Fugu-MT 論文翻訳(概要): Participation is not a Design Fix for Machine Learning

論文の概要: Participation is not a Design Fix for Machine Learning

arxiv url: http://arxiv.org/abs/2007.02423v3
Date: Tue, 11 Aug 2020 15:39:46 GMT
ステータス: 処理完了
システム内更新日: 2022-11-13 08:38:06.767091
Title: Participation is not a Design Fix for Machine Learning
Title（参考訳）: 参加は機械学習の設計修正ではない
Authors: Mona Sloane, Emanuel Moss, Olaitan Awomolo, Laura Forlano
Abstract要約: 本稿では,デザイン実践と機械学習への既存の参加形態を批判的に検討する。これは、MLコミュニティが、潜在的に利用的で抽出的なコミュニティ関与の形式に順応する必要があることを示唆している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper critically examines existing modes of participation in design practice and machine learning. Cautioning against 'participation-washing', it suggests that the ML community must become attuned to possibly exploitative and extractive forms of community involvement and shift away from the prerogatives of context-independent scalability.
Abstract（参考訳）: 本稿では,設計実践と機械学習の既存の参加形態を批判的に検討する。参加洗浄」に対する注意として、mlコミュニティは、潜在的に搾取的かつ抽出的な形のコミュニティ関与に適応し、コンテキスト非依存のスケーラビリティの前提から脱却しなければならないことを示唆する。

関連論文リスト

UnUnlearning: Unlearning is not sufficient for content regulation in advanced generative AI [50.61495097098296]
大規模言語モデル(LLM)におけるアンラーニングのパラダイムを再考する。未学習の概念を導入し、未学習の知識を文脈内で再導入する。我々は、不寛容な知識に対するコンテンツフィルタリングが不可欠であり、正確な未学習スキームでさえ、効果的なコンテンツ規制には不十分であると主張している。
論文参考訳（メタデータ） (2024-06-27T10:24:35Z)
Compete and Compose: Learning Independent Mechanisms for Modular World Models [57.94106862271727]
異なる環境における再利用可能な独立したメカニズムを活用するモジュール型世界モデルであるCOMETを提案する。 COMETは、コンペティションとコンポジションという2段階のプロセスを通じて、動的に変化する複数の環境でトレーニングされている。 COMETは,従来のファインタニング手法に比べて,サンプル効率が向上し,多様なオブジェクト数で新しい環境に適応できることを示す。
論文参考訳（メタデータ） (2024-04-23T15:03:37Z)
From Fitting Participation to Forging Relationships: The Art of Participatory ML [0.7770029179741429]
参加型機械学習 (Participatory Machine Learning, ML) は、設計および開発プロセスにおいて、エンドユーザーとMLシステムに影響された人々の参加を促進する。参加者の労働力の成果をMLアーティファクトやシステムへのインプットに変換する。
論文参考訳（メタデータ） (2024-03-11T04:44:34Z)
On the Conflict of Robustness and Learning in Collaborative Machine Learning [9.372984119950765]
コラボレーション機械学習(CML)は、参加者がトレーニングデータをプライベートに保ちながら、機械学習モデルを共同でトレーニングすることを可能にする。 CMLが健康関連のアプリケーションのようなプライバシー問題に対する解決策と見なされる多くのシナリオでは、安全性も主要な関心事である。 CMLプロセスが正確で信頼性の高い決定を出力するモデルを生成することを保証するため、研究者はテキストトロバストアグリゲータの使用を提案する。
論文参考訳（メタデータ） (2024-02-21T11:04:23Z)
Rethinking Machine Unlearning for Large Language Models [85.92660644100582]
大規模言語モデル(LLM)の領域における機械学習の研究このイニシアチブは、望ましくないデータの影響(機密情報や違法情報など)と関連するモデル機能を排除することを目的としている。
論文参考訳（メタデータ） (2024-02-13T20:51:58Z)
CommunityAI: Towards Community-based Federated Learning [6.535815174238974]
コミュニティベースフェデレーション学習のための新しいフレームワークであるCommunityAIを提案する。 CommunityAIは、参加者の関心や専門知識、データ特性に基づいて、参加者をコミュニティにまとめることを可能にする。我々は,解決すべき概念的アーキテクチャ,システム要件,プロセス,今後の課題について議論する。
論文参考訳（メタデータ） (2023-11-29T09:31:52Z)
The Participatory Turn in AI Design: Theoretical Foundations and the Current State of Practice [64.29355073494125]
本稿は、既存の理論文献を合成して、AI設計における「参加的転換」を掘り下げることを目的としている。我々は、最近発表された研究および12人のAI研究者および実践者に対する半構造化インタビューの分析に基づいて、AI設計における参加実践の現状に関する実証的な知見を述べる。
論文参考訳（メタデータ） (2023-10-02T05:30:42Z)
Power to the People? Opportunities and Challenges for Participatory AI [9.504176941117493]
人工知能(AI)と機械学習(ML)への参加的アプローチが勢いを増している。本稿では,AIとMLパイプライン内の参加者参加手法や実践と同様に,歴史的文脈における参加的アプローチをレビューする。我々は、参加型AI/MLが流行するにつれて、この用語の文脈的・ニュアンス的な理解と、参加型活動の主要な受益者がもたらす利益と機会を実現する上で重要な要素であるべきかどうかを考察する。
論文参考訳（メタデータ） (2022-09-15T19:20:13Z)
Teaching Uncertainty Quantification in Machine Learning through Use Cases [0.0]
機械学習における不確実性は、一般的に機械学習コースのカリキュラムで一般的な知識として教えられるものではない。本稿では,機械学習における不確実性に関するコースの短いカリキュラムを提案し,そのコースをユースケースの選択で補完する。
論文参考訳（メタデータ） (2021-08-19T14:22:17Z)
Unsupervised Discriminative Embedding for Sub-Action Learning in Complex Activities [54.615003524001686]
本稿では,複雑な活動における教師なしサブアクション学習の新たなアプローチを提案する。提案手法は,視覚表現と時間表現の両方を,サブアクションを識別的に学習する潜在空間にマッピングする。視覚-時空間埋め込みと判別的潜在概念の組み合わせにより,教師なし設定でロバストな動作表現を学習できることを示す。
論文参考訳（メタデータ） (2021-04-30T20:07:27Z)
Uncertainty as a Form of Transparency: Measuring, Communicating, and Using Uncertainty [66.17147341354577]
我々は,モデル予測に関連する不確実性を推定し,伝達することにより,相補的な透明性の形式を考えることについて議論する。モデルの不公平性を緩和し、意思決定を強化し、信頼できるシステムを構築するために不確実性がどのように使われるかを説明する。この研究は、機械学習、可視化/HCI、デザイン、意思決定、公平性にまたがる文学から引き出された学際的レビューを構成する。
論文参考訳（メタデータ） (2020-11-15T17:26:14Z)

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。