論文の概要: Ethical behavior in humans and machines -- Evaluating training data
quality for beneficial machine learning
- arxiv url: http://arxiv.org/abs/2008.11463v1
- Date: Wed, 26 Aug 2020 09:48:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 21:21:00.116904
- Title: Ethical behavior in humans and machines -- Evaluating training data
quality for beneficial machine learning
- Title（参考訳）: 人間と機械の倫理行動 -- 機械学習のためのトレーニングデータ品質の評価
- Authors: Thilo Hagendorff
- Abstract要約: 本研究では、教師付き機械学習アプリケーションのためのデータ品質の新しい次元について述べる。
本研究の目的は、その行動の倫理的評価に基づいて、トレーニングデータをどのように選択できるかを説明することである。
- 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: Machine behavior that is based on learning algorithms can be significantly
influenced by the exposure to data of different qualities. Up to now, those
qualities are solely measured in technical terms, but not in ethical ones,
despite the significant role of training and annotation data in supervised
machine learning. This is the first study to fill this gap by describing new
dimensions of data quality for supervised machine learning applications. Based
on the rationale that different social and psychological backgrounds of
individuals correlate in practice with different modes of
human-computer-interaction, the paper describes from an ethical perspective how
varying qualities of behavioral data that individuals leave behind while using
digital technologies have socially relevant ramification for the development of
machine learning applications. The specific objective of this study is to
describe how training data can be selected according to ethical assessments of
the behavior it originates from, establishing an innovative filter regime to
transition from the big data rationale n = all to a more selective way of
processing data for training sets in machine learning. The overarching aim of
this research is to promote methods for achieving beneficial machine learning
applications that could be widely useful for industry as well as academia.
- Abstract（参考訳）: 学習アルゴリズムに基づくマシンの振る舞いは、異なる品質のデータへの露出によって大きく影響される。
これまでのところ、これらの品質は、教師付き機械学習におけるトレーニングとアノテーションデータの重要な役割にもかかわらず、技術的な用語だけで測定されるが、倫理的なものではない。
これは、教師付き機械学習アプリケーションのためのデータ品質の新しい次元を記述することで、このギャップを埋める最初の研究である。
個人の社会的背景と心理的背景が、人間とコンピュータの相互作用の異なるモードと実際に相関していることの理論的根拠に基づいて、デジタル技術を用いて個人が残した行動データの様々な品質が、機械学習アプリケーションの開発に社会的に関連しているという倫理的視点から説明する。
本研究の具体的な目的は,その起源の行動の倫理的評価に基づいて,トレーニングデータの選択方法を説明することであり,ビッグデータ理論n = allから,機械学習におけるトレーニングセットのより選択的なデータ処理方法に移行するための,革新的なフィルタレジームを確立することである。
この研究の全体的な目的は、産学だけでなく産学にも広く役立つ有用な機械学習アプリケーションを達成するための方法を促進することである。
関連論文リスト
- Causal Inference Tools for a Better Evaluation of Machine Learning [0.0]
本稿では、通常最小方形回帰(OLS)、可変解析(ANOVA)、ロジスティック回帰(ロジスティック回帰)などの重要な統計手法を紹介する。
この文書は研究者や実践者のガイドとして機能し、これらのテクニックがモデル行動、パフォーマンス、公平性に対する深い洞察を提供する方法について詳述している。
論文 参考訳（メタデータ） (2024-10-02T10:03:29Z) - Silver Linings in the Shadows: Harnessing Membership Inference for Machine Unlearning [7.557226714828334]
ニューラルネットワークから特定のデータサンプルの影響を除去する新しい学習機構を提案する。
この目的を達成するために、我々は、ターゲットモデルの重みやアクティベーション値からプライバシーに敏感な情報を排除するための、新しい損失関数を構築した。
本研究の結果は,未学習の有効性とレイテンシ,および主課題の忠実度の観点から,我々のアプローチの優れた性能を示すものである。
論文 参考訳（メタデータ） (2024-07-01T00:20:26Z) - Machine Learning for QoS Prediction in Vehicular Communication:
Challenges and Solution Approaches [46.52224306624461]
最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。
収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。
我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
論文 参考訳（メタデータ） (2023-02-23T12:29:20Z) - Striving for data-model efficiency: Identifying data externalities on
group performance [75.17591306911015]
信頼できる、効果的で責任ある機械学習システムの構築は、トレーニングデータとモデリング決定の違いが、予測パフォーマンスにどのように影響するかを理解することに集中する。
我々は、特定のタイプのデータモデル非効率性に注目し、一部のソースからトレーニングデータを追加することで、集団の重要なサブグループで評価されるパフォーマンスを実際に低下させることができる。
以上の結果から,データ効率が正確かつ信頼性の高い機械学習の鍵となることが示唆された。
論文 参考訳（メタデータ） (2022-11-11T16:48:27Z) - Impact Learning: A Learning Method from Features Impact and Competition [1.3569491184708429]
本稿では,インパクト学習と呼ばれる新しい機械学習アルゴリズムを提案する。
インパクト学習は教師付き学習アルゴリズムであり、分類問題と回帰問題の両方に統合することができる。
自然増進の本質的な速度によるハイライトの影響によって調製される。
論文 参考訳（メタデータ） (2022-11-04T04:56:35Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Can Information Behaviour Inform Machine Learning? [0.0]
この論文は、人間の情報行動研究が、よりニュアンスな情報とインフォームのビューを機械学習にもたらす方法を説明する。
その明確な違いにもかかわらず、情報行動と機械学習の分野は多くの共通の目的、パラダイム、そして重要な研究課題を共有している。
論文 参考訳（メタデータ） (2022-05-01T19:00:52Z) - Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or
Something Else? [93.91375268580806]
政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。
既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。
既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
論文 参考訳（メタデータ） (2021-11-09T13:30:34Z) - 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) - What Matters in Learning from Offline Human Demonstrations for Robot
Manipulation [64.43440450794495]
ロボット操作のための6つのオフライン学習アルゴリズムについて広範な研究を行う。
我々の研究は、オフラインの人間のデータから学習する際の最も重要な課題を分析します。
人間のデータセットから学ぶ機会を強調します。
論文 参考訳（メタデータ） (2021-08-06T20:48:30Z) - 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。