論文の概要: The emergence of Explainability of Intelligent Systems: Delivering
Explainable and Personalised Recommendations for Energy Efficiency
- arxiv url: http://arxiv.org/abs/2010.04990v2
- Date: Mon, 26 Oct 2020 11:25:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 23:11:27.053574
- Title: The emergence of Explainability of Intelligent Systems: Delivering
Explainable and Personalised Recommendations for Energy Efficiency
- Title（参考訳）: インテリジェントシステムの説明可能性の出現--エネルギー効率のための説明可能かつパーソナライズされた勧告の提供
- Authors: Christos Sardianos and Iraklis Varlamis and Christos Chronis and
George Dimitrakopoulos and Abdullah Alsalemi and Yassine Himeur and Faycal
Bensaali and Abbes Amira
- Abstract要約: 我々は,エネルギー効率のための文脈対応レコメンデーションシステムに注目し,説明可能な,説得力のあるレコメンデーションのメカニズムを開発する。
Telegramボットを用いた研究に基づいて、実際のデータと人間のフィードバックによって、さまざまなシナリオが検証されている。
その結果, 経済的, 生態的説得的事実がともなう場合, レコメンデーション受け入れ率の合計は19%増加した。
- 参考スコア（独自算出の注目度）: 2.741120981602367
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The recent advances in artificial intelligence namely in machine learning and
deep learning, have boosted the performance of intelligent systems in several
ways. This gave rise to human expectations, but also created the need for a
deeper understanding of how intelligent systems think and decide. The concept
of explainability appeared, in the extent of explaining the internal system
mechanics in human terms. Recommendation systems are intelligent systems that
support human decision making, and as such, they have to be explainable in
order to increase user trust and improve the acceptance of recommendations. In
this work, we focus on a context-aware recommendation system for energy
efficiency and develop a mechanism for explainable and persuasive
recommendations, which are personalized to user preferences and habits. The
persuasive facts either emphasize on the economical saving prospects (Econ) or
on a positive ecological impact (Eco) and explanations provide the reason for
recommending an energy saving action. Based on a study conducted using a
Telegram bot, different scenarios have been validated with actual data and
human feedback. Current results show a total increase of 19\% on the
recommendation acceptance ratio when both economical and ecological persuasive
facts are employed. This revolutionary approach on recommendation systems,
demonstrates how intelligent recommendations can effectively encourage energy
saving behavior.
- Abstract（参考訳）: 人工知能の最近の進歩、すなわち機械学習とディープラーニングは、いくつかの方法でインテリジェントシステムの性能を高めている。
これは人間の期待を生んだが、知的なシステムがどう考えるか、決定するかをより深く理解する必要性も生み出した。
説明可能性の概念は、人間の言葉で内部システム力学を説明する程度に現れた。
勧告システムは、人間の意思決定を支援するインテリジェントなシステムであり、ユーザの信頼を高め、レコメンデーションの受け入れを改善するためには、それらを説明する必要がある。
本研究では,エネルギ効率のための文脈認識型レコメンデーションシステムに着目し,ユーザの嗜好や習慣に合わせた説明可能な,説得力のあるレコメンデーションのメカニズムを開発する。
説得力のある事実は、経済的貯蓄見通し(econ)またはポジティブな生態的影響(eco)を強調し、説明は省エネ行動を推奨する理由を提供する。
telegramボットを用いた研究に基づいて、実際のデータと人間のフィードバックで異なるシナリオが検証された。
その結果, 経済的, 生態的説得的事実がともなう場合, 推薦受諾率の19.%の増加が見られた。
このレコメンデーションシステムに対する革命的なアプローチは、インテリジェントなレコメンデーションが省エネ行動を効果的に促進できることを示す。
関連論文リスト
- Less is More: Towards Sustainability-Aware Persuasive Explanations in Recommender Systems [42.296965577732045]
持続可能性を考慮した説得的説明」の概念について議論する。
3つの項目領域におけるユーザスタディに基づいて、持続可能性を考慮した説得的説明の潜在的影響を分析する。
論文 参考訳（メタデータ） (2024-09-27T12:24:10Z) - Beyond Persuasion: Towards Conversational Recommender System with Credible Explanations [63.05026345443155]
そこで我々は,PC-CRSと呼ばれるシンプルな手法を提案し,CRSの説得における説明の信頼性を高める。
実験により,PC-CRSの説得的・信頼性的説明を促進する効果が示された。
さらなる分析では、現在の手法が素晴らしい説明を生み出している理由と、推薦精度を向上させるための信頼できる説明の可能性を明らかにしている。
論文 参考訳（メタデータ） (2024-09-22T11:35:59Z) - Why Reinforcement Learning in Energy Systems Needs Explanations [0.0]
本稿では,エネルギーシステムにおける強化技術の適用と,これらのモデルの説明がいかに役立つかについて論じる。
経済発展に伴い、インフラの複雑さは劇的に増大し、同様に化石燃料から再生可能エネルギーへのシフトに伴い、このようなシステムには恐ろしい必要性がある。
論文 参考訳（メタデータ） (2024-05-29T07:09:00Z) - Modeling Recommender Ecosystems: Research Challenges at the Intersection
of Mechanism Design, Reinforcement Learning and Generative Models [17.546954143602818]
システム内のすべてのアクターのインセンティブと行動のモデリングは、システムがこれらのアクターにもたらす価値を最大化し、全体のエコシステム「健康」を改善するために厳密に必要である、と我々は主張する。
本稿では、これらの要素を包含する概念的枠組みを提案し、これらの異なる分野の交差点に現れる多くの研究課題を明確にする。
論文 参考訳（メタデータ） (2023-09-08T03:20:58Z) - A Survey on Fairness-aware Recommender Systems [59.23208133653637]
本稿では,様々なレコメンデーションシナリオにおいてフェアネスの概念を提示し,現在の進歩を包括的に分類し,レコメンデーションシステムのさまざまな段階におけるフェアネスを促進するための典型的な手法を紹介する。
次に、フェアネスを意識したレコメンデーションシステムが実業界における産業応用に与える影響について検討する。
論文 参考訳（メタデータ） (2023-06-01T07:08:22Z) - Towards Human Cognition Level-based Experiment Design for Counterfactual
Explanations (XAI) [68.8204255655161]
XAI研究の重点は、より理解を深めるために、より実践的な説明アプローチに変わったようだ。
認知科学研究がXAIの進歩に大きく影響を与える可能性のある領域は、ユーザの知識とフィードバックを評価することである。
本研究では,異なる認知レベルの理解に基づく説明の生成と評価を実験する枠組みを提案する。
論文 参考訳（メタデータ） (2022-10-31T19:20:22Z) - A Comprehensive Survey on Trustworthy Recommender Systems [32.523177842969915]
本稿では,信頼に値するレコメンダシステム (TRec) の概要について概説する。
それぞれの側面について、最近の技術についてまとめ、信頼性の高いレコメンデータシステムの実現を支援する研究の方向性について論じる。
論文 参考訳（メタデータ） (2022-09-21T04:34:17Z) - Heterogeneous Demand Effects of Recommendation Strategies in a Mobile
Application: Evidence from Econometric Models and Machine-Learning
Instruments [73.7716728492574]
本研究では,モバイルチャネルにおける様々なレコメンデーション戦略の有効性と,個々の製品に対する消費者の実用性と需要レベルに与える影響について検討する。
提案手法では, 有効性に有意な差が認められた。
我々は,ユーザ生成レビューのディープラーニングモデルに基づいて,製品分化(アイソレーション)をキャプチャする新しいエコノメトリ機器を開発した。
論文 参考訳（メタデータ） (2021-02-20T22:58:54Z) - Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。
不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。
本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
論文 参考訳（メタデータ） (2020-06-03T05:04:38Z) - Survey for Trust-aware Recommender Systems: A Deep Learning Perspective [48.2733163413522]
信頼できるレコメンデーションシステムを採用することが重要になります。
本調査では,信頼を意識したレコメンデータシステムの3つのカテゴリについて概説する。
論文 参考訳（メタデータ） (2020-04-08T02:11:55Z) - Modeling and Counteracting Exposure Bias in Recommender Systems [0.0]
本研究では,行列因数分解など,広く用いられている推奨戦略に固有のバイアスについて検討する。
本稿では,リコメンデータシステムのための新しいデバイアス対策を提案する。
その結果,レコメンダシステムにはバイアスがあり,ユーザの事前の露出に依存していることがわかった。
論文 参考訳（メタデータ） (2020-01-01T00:12:34Z)
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。