論文の概要: Intuitiveness in Active Teaching
- arxiv url: http://arxiv.org/abs/2012.13551v1
- Date: Fri, 25 Dec 2020 09:31:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 04:30:41.826351
- Title: Intuitiveness in Active Teaching
- Title(参考訳): 能動教育における直感性
- Authors: Jan Philip G\"opfert, Ulrike Kuhl, Lukas Hindemith, Heiko Wersing,
Barbara Hammer
- Abstract要約: 我々は,ユーザが積極的に教えるアルゴリズムの直感性を解析する。
我々は人間と機械の相互作用の有効性を判断する体系的な方法を提案する。
- 参考スコア(独自算出の注目度): 7.8029610421817654
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning is a double-edged sword: it gives rise to astonishing
results in automated systems, but at the cost of tremendously large data
requirements. This makes many successful algorithms from machine learning
unsuitable for human-machine interaction, where the machine must learn from a
small number of training samples that can be provided by a user within a
reasonable time frame. Fortunately, the user can tailor the training data they
create to be as useful as possible, severely limiting its necessary size -- as
long as they know about the machine's requirements and limitations. Of course,
acquiring this knowledge can in turn be cumbersome and costly. This raises the
question how easy machine learning algorithms are to interact with. In this
work we address this issue by analyzing the intuitiveness of certain algorithms
when they are actively taught by users. After developing a theoretical
framework of intuitiveness as a property of algorithms, we present and discuss
the results of a large-scale user study into the performance and teaching
strategies of 800 users interacting with prominent machine learning algorithms.
Via this extensive examination we offer a systematic method to judge the
efficacy of human-machine interactions and thus, to scrutinize how accessible,
understandable, and fair, a system is.
- Abstract(参考訳): 機械学習は二重刃の剣であり、自動化されたシステムで驚くべき結果をもたらすが、膨大なデータ要求のコストがかかる。
これにより、マシンラーニングから得られる多くのアルゴリズムは、人間と機械のインタラクションに不適当であり、適切な時間枠内でユーザが提供できる少数のトレーニングサンプルからマシンを学ばなければならない。
幸いなことに、ユーザは、マシンの要件と制限を知っていれば、必要なサイズを著しく制限して、作成するトレーニングデータを可能な限り有効に調整することができる。
もちろん、この知識を得ることは、結局面倒で費用がかかる。
これにより、機械学習アルゴリズムの操作がいかに簡単かという疑問が持ち上がる。
本研究では,ユーザが積極的に教えているアルゴリズムの直感性を解析することで,この問題に対処する。
アルゴリズムの特性として直感性の理論的な枠組みを開発した後、著名な機械学習アルゴリズムと対話する800人のユーザのパフォーマンスと教育戦略に関する大規模ユーザ研究の結果を提示し、議論する。
この広範な検査によって、人間と機械の相互作用の有効性を判断し、システムがいかにアクセス可能で理解可能で公正であるかを精査する体系的な方法を提供する。
関連論文リスト
- Offline Imitation Learning Through Graph Search and Retrieval [57.57306578140857]
模倣学習は、ロボットが操作スキルを取得するための強力な機械学習アルゴリズムである。
本稿では,グラフ検索と検索により,最適下実験から学習する,シンプルで効果的なアルゴリズムGSRを提案する。
GSRは、ベースラインに比べて10%から30%高い成功率、30%以上の熟練を達成できる。
論文 参考訳(メタデータ) (2024-07-22T06:12:21Z) - Coupling Machine Learning with Ontology for Robotics Applications [0.0]
動的シナリオにおける事前知識の可用性の欠如は、間違いなくスケーラブルなマシンインテリジェンスにとって大きな障壁である。
二つの階層間の相互作用についての私の見解は、知識が知識ベース層で容易に利用できない場合、他の階層からより多くの知識を抽出できるという考えに基づいている。
論文 参考訳(メタデータ) (2024-06-08T23:38:03Z) - Algorithmic failure as a humanities methodology: machine learning's
mispredictions identify rich cases for qualitative analysis [0.0]
私は単純な機械学習アルゴリズムを訓練し、架空のキャラクターの情報だけを使ってアクションがアクティブか受動的かを予測する。
この結果は、失敗予測は質的分析のリッチケースを特定するために生産的に使用できるという、Munkらの理論を支持する。
さらに、この手法がどのような種類のデータに役立ち、どの種類の機械学習が最も生成性が高いかを理解するために、さらなる研究が必要である。
論文 参考訳(メタデータ) (2023-05-19T13:24:32Z) - 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) - Divide & Conquer Imitation Learning [75.31752559017978]
模倣学習は学習プロセスをブートストラップするための強力なアプローチである。
本稿では,専門的軌道の状態から複雑なロボットタスクを模倣する新しいアルゴリズムを提案する。
提案手法は,非ホロノミックナビゲーションタスクを模倣し,非常に高いサンプル効率で複雑なロボット操作タスクにスケールすることを示す。
論文 参考訳(メタデータ) (2022-04-15T09:56:50Z) - Explainable Predictive Process Monitoring: A User Evaluation [62.41400549499849]
説明責任は、ブラックボックス機械学習アプローチの透明性の欠如によって動機付けられている。
予測プロセスモニタリングのための説明手法のユーザ評価を行う。
論文 参考訳(メタデータ) (2022-02-15T22:24:21Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳(メタデータ) (2021-05-29T21:02:44Z) - Ethical behavior in humans and machines -- Evaluating training data
quality for beneficial machine learning [0.0]
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。
論文 参考訳(メタデータ) (2020-08-26T09:48:38Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳(メタデータ) (2020-08-10T06:07:52Z) - The Ingredients of Real-World Robotic Reinforcement Learning [71.92831985295163]
実世界で収集されたデータによって継続的に自律的に改善できるロボット学習システムに必要な要素について論じる。
本稿では,このようなシステムの特異なインスタンス化を事例として,デクスタラスな操作を事例として提案する。
我々は人間の介入なしに学習できることを実証し、現実世界の3本指の手で様々な視覚ベースのスキルを習得する。
論文 参考訳(メタデータ) (2020-04-27T03:36:10Z) - Leveraging Rationales to Improve Human Task Performance [15.785125079811902]
計算システムの性能が人間のユーザを上回ることを考えれば、人間のパフォーマンスを改善するために説明可能なAI能力を活用することができるだろうか?
本稿では,ユーティリティベースの計算手法の合理性を自動生成するRationale-Generating Algorithmを紹介する。
以上の結果から,本手法は人事性能の統計的改善につながる有理性を生み出すことが示唆された。
論文 参考訳(メタデータ) (2020-02-11T04:51:35Z)
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。