論文の概要: Designing a Novel Method for Personalizing Recommendations to Decrease Plastic Pollution

• arxiv url: http://arxiv.org/abs/2007.11134v1
• Date: Tue, 21 Jul 2020 23:37:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-08 20:40:29.770934
• Title: Designing a Novel Method for Personalizing Recommendations to Decrease Plastic Pollution
• Title（参考訳）: プラスチック汚染低減のためのレコメンデーションをパーソナライズする新しい手法の設計
• Authors: Seung Ah Choi
• Abstract要約: 第1世界諸国は1人あたりのプラスチック廃棄物の発生率が高いのに対し、第1世界諸国は不適切に管理されているプラスチック廃棄物の比率が高い傾向にある。 プラスチック汚染の特徴の相違は, 利用者の最適な推奨事項の相違をもたらす。 このリストに基づいて、私はGoogle Apps Scriptsというユーザーインターフェイスを設計し、国の立ち位置とユーザの好みの難しさに基づいてパーソナライズされたレコメンデーションを提供します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Third world countries tend to have a higher share of plastic waste that is inadequately managed while the First world countries have higher plastic waste generation per person. A difference in the characteristics of plastic pollution depending on the country's standing results in varying optimal recommendations for users. Through Big Text and OSOME meme analysis, I constructed a list with optimal recommendations for First World and Third World countries. Based on the list, I designed a User Interface wit Google Apps Scripts that provide personalized recommendations based on the country's standing and user's preferred difficulty and reassessed the code based on the six qualities of code. The purpose of the User Interface is to aid people who wish to help solve plastic pollution by offering a set of personalized tasks for each user and keeping their progress accountable through a point tracking system. With a significant number of users, the application could eventually contribute to solving the problem of plastic pollution.
• Abstract（参考訳）: 第三世界の国はプラスチック廃棄物の比率が高い傾向があるが、第一世界の国は一人当たりのプラスチック廃棄物の発生率が高い。 プラスチック汚染の特性の違いは、国民の立ち位置によって異なるため、利用者の最適な推奨は様々である。 Big Text と OSOME のミーム分析を通じて,第1次世界,第3次世界各国に最適なレコメンデーションリストを構築した。 このリストに基づいて、私はGoogle Apps Scriptsというユーザーインターフェイスを設計し、国の立ち位置とユーザの好みの難しさに基づいてパーソナライズされたレコメンデーションを提供し、コードの6つの品質に基づいてコードを再評価しました。 ユーザインタフェースの目的は、各ユーザに対してパーソナライズされたタスクセットを提供し、ポイントトラッキングシステムを通じて進捗を説明できるようにすることで、プラスチック汚染の解決を支援したい人々を支援することである。 膨大な数のユーザーがいると、このアプリケーションは最終的にプラスチック汚染の問題を解決することに貢献できるだろう。

関連論文リスト

• Aligning Large Language Models from Self-Reference AI Feedback with one General Principle [61.105703857868775]
  13B Llama2-Chatで高品質なフィードバックを提供できる自己参照型AIフィードバックフレームワークを提案する。 具体的には、まずAIがユーザーの指示に反応し、それに基づいて他の回答に対する批判を参照として生成する。 最後に、批判に応じて、どの回答が人間の好みに合うかを判断する。
  論文  参考訳（メタデータ） (2024-06-17T03:51:46Z)
• Better Late Than Never: Formulating and Benchmarking Recommendation Editing [25.52471182435051]
  本稿では、既知の、不適切なレコメンデーション行動を修正することに焦点を当てたレコメンデーション編集を紹介する。 本稿では, 厳密な修正, 協調的な修正, 集中的な修正の3つの主目的によるレコメンデーション編集の課題を正式に定義する。 ベイジアン・パーソナライズド・ランキング・ロス(Personalized Ranking Loss)を用いたレコメンデーション編集のための簡易かつ効果的なベンチマークを提示する。
  論文  参考訳（メタデータ） (2024-06-06T23:44:33Z)
• Unintended Impacts of LLM Alignment on Global Representation [62.6579934112071]
  開発者は、RLHF(Reinforcement Learning From Human Feedback)やDPO(Direct Preference Optimization)など、様々な手順で、大規模言語モデル(LLM)をユーザの好みに合わせることができる。 我々は、アライメントが、グローバルな表現の3つの軸、すなわち、英語方言、多言語主義、世界各国の意見にどのように影響するかを探求する。 これらの意図しない影響に繋がる設計決定と、より公平な選好チューニングの推奨を議論することで、私たちは結論付けました。
  論文  参考訳（メタデータ） (2024-02-22T23:31:22Z)
• Personalized Language Modeling from Personalized Human Feedback [49.344833339240566]
  人間のフィードバックからの強化学習(Reinforcement Learning from Human Feedback, RLHF)は、人間の好みに合わせて大きな言語モデルを微調整するために一般的に用いられる。 本研究では,パーソナライズされた言語モデルを構築する手法を開発することにより,この問題に対処することを目的とする。
  論文  参考訳（メタデータ） (2024-02-06T04:18:58Z)
• Editable User Profiles for Controllable Text Recommendation [66.00743968792275]
  制御可能なテキストレコメンデーションのための新しい概念値ボトルネックモデル LACE を提案する。 LACEは、人間の読みやすい概念の簡潔なセットで各ユーザーを表現する。 ユーザ文書に基づいて概念のパーソナライズされた表現を学習する。
  論文  参考訳（メタデータ） (2023-04-09T14:52:18Z)
• VisDA 2022 Challenge: Domain Adaptation for Industrial Waste Sorting [61.52419223232737]
  産業廃棄物の選別において、最も大きな課題の1つは入力ストリームの極端な多様性である。 産業廃棄物浄化における領域適応に関するVisDA 2022の課題について紹介する。
  論文  参考訳（メタデータ） (2023-03-26T21:38:38Z)
• Eliciting User Preferences for Personalized Multi-Objective Decision Making through Comparative Feedback [76.7007545844273]
  目的に対して異なるユーザの好みに対応する多目的意思決定フレームワークを提案する。 我々のモデルは、ベクトル値の報酬関数を持つマルコフ決定プロセスで構成され、各ユーザが未知の選好ベクトルを持つ。 少数の比較クエリを用いて,ユーザに対してほぼ最適なポリシを求めるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-07T23:58:19Z)
• Federated Recommendation with Additive Personalization [46.68537442234882]
  付加的パーソナライゼーション(FedRAP)を用いたフェデレーションレコメンデーションを提案する。 FedRAPは、FLを介してアイテムのグローバルなビューと、各ユーザのローカルなパーソナライズされたビューを学習する。 複数のベンチマークでFL設定で最高のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-01-22T12:13:25Z)
• Application of Computer Vision Techniques for Segregation of PlasticWaste based on Resin Identification Code [0.8103046443444949]
  プラスチック廃棄物を識別するために, 異なる機械学習手法の設計, 訓練, 試験を提案する。 提案手法では,データベースのサイズを拡大するための拡張は必要とせず,99.74%の精度を達成した。
  論文  参考訳（メタデータ） (2020-11-16T06:50:32Z)
• Interacting with Explanations through Critiquing [40.69540222716043]
  本稿では,レビューテキストからレコメンデーションのパーソナライズされた説明を生成する手法を提案する。 我々は,最先端技術による説明よりも,人間の方がこれらの説明をはるかに好んでいることを示す。 私たちの仕事の最も重要なイノベーションは、ユーザーがテキストの説明を批判することでレコメンデーションに反応できることです。
  論文  参考訳（メタデータ） (2020-05-22T09:03:06Z)

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。