論文の概要: Bias in ontologies -- a preliminary assessment

• arxiv url: http://arxiv.org/abs/2101.08035v1
• Date: Wed, 20 Jan 2021 09:28:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-22 01:27:13.993104
• Title: Bias in ontologies -- a preliminary assessment
• Title（参考訳）: オントロジーにおけるバイアス-予備評価
• Authors: C. Maria Keet
• Abstract要約: アルゴリズムバイアスはよく知られた概念だが、その文脈におけるバイアスとは、アルゴリズムの入力のメカニズムに何を意味するのか? この特徴付けは、情報と知識の表現の倫理的側面の感性化に寄与する。
• 参考スコア（独自算出の注目度）: 2.360534864805446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Logical theories in the form of ontologies and similar artefacts in computing and IT are used for structuring, annotating, and querying data, among others, and therewith influence data analytics regarding what is fed into the algorithms. Algorithmic bias is a well-known notion, but what does bias mean in the context of ontologies that provide a structuring mechanism for an algorithm's input? What are the sources of bias there and how would they manifest themselves in ontologies? We examine and enumerate types of bias relevant for ontologies, and whether they are explicit or implicit. These eight types are illustrated with examples from extant production-level ontologies and samples from the literature. We then assessed three concurrently developed COVID-19 ontologies on bias and detected different subsets of types of bias in each one, to a greater or lesser extent. This first characterisation aims contribute to a sensitisation of ethical aspects of ontologies primarily regarding representation of information and knowledge.
• Abstract（参考訳）: コンピューティングやITにおけるオントロジーや類似のアーティファクトの形での論理理論は、データの構造化、注釈付け、クエリに使われ、アルゴリズムに入力されるものに関するデータ分析に影響を与えている。 アルゴリズムバイアスはよく知られた概念だが、バイアスはアルゴリズムの入力を構造化するメカニズムを提供するオントロジーの文脈において何を意味するのか? バイアスの源は何で、どうやってオントロジーに現れますか? 我々はオントロジーに関連するバイアスの種類と、それらが明示的か暗黙的かを調査し、列挙する。 これらの8つのタイプは、現存する生産レベルのオントロジーと文献からのサンプルの例で示される。 次に、バイアスに関する3つの同時に開発されたcovid-19オントロジーを評価し、それぞれのバイアスの異なるサブセットを多かれ少なかれ検出した。 この最初の特徴付けは、情報と知識の表現を主眼とするオントロジーの倫理的側面の感性化に寄与する。

関連論文リスト

• Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
  オントロジはドメイン知識とメタデータを表現するために広く使われている。 1つの簡単な解決策は、統計分析と機械学習を統合することである。 埋め込みに関する多くの論文が出版されているが、体系的なレビューの欠如により、研究者はこの分野の包括的な理解を妨げている。
  論文  参考訳（メタデータ） (2024-06-16T14:49:19Z)
• Dissecting Causal Biases [0.0]
  本稿では,トレーニングデータの生成方法や収集方法に起因したバイアスのクラスに焦点を当てる。 バイアスの4つの源、すなわち、境界、選択、測定、相互作用が考慮されている。
  論文  参考訳（メタデータ） (2023-10-20T09:12:10Z)
• Anatomizing Bias in Facial Analysis [86.79402670904338]
  既存の顔分析システムでは、特定の集団群に対して偏りのある結果が得られることが示されている。 これらのシステムは、個人の性別、アイデンティティ、肌のトーンに基づいて差別されないようにすることが義務づけられている。 これはAIシステムにおけるバイアスの識別と緩和の研究につながった。
  論文  参考訳（メタデータ） (2021-12-13T09:51:13Z)
• A Typology of Data Anomalies [0.0]
  異常は何らかの特異なケースであり、データセットに存在する一般的なパターンに適合しないように見える。 本稿では,データセット内の異なる種類の異常を明確かつ具体的に定義する,異常の一般的な型について紹介する。
  論文  参考訳（メタデータ） (2021-07-04T13:12:24Z)
• Towards Measuring Bias in Image Classification [61.802949761385]
  畳み込みニューラルネットワーク(CNN)は、主要なコンピュータビジョンタスクの最先端技術となっている。 しかし、複雑な構造のため、その決定は産業世界の何らかの文脈での使用を制限するかを理解することは困難である。 帰属マップによるデータのバイアスを明らかにするための体系的なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-07-01T10:50:39Z)
• LOGAN: Local Group Bias Detection by Clustering [86.38331353310114]
  コーパスレベルでバイアスを評価することは、モデルにバイアスがどのように埋め込まれているかを理解するのに十分ではない、と我々は主張する。 クラスタリングに基づく新しいバイアス検出手法であるLOGANを提案する。 毒性分類および対象分類タスクの実験は、LOGANが局所領域のバイアスを特定することを示している。
  論文  参考訳（メタデータ） (2020-10-06T16:42:51Z)
• On the Nature and Types of Anomalies: A Review of Deviations in Data [0.0]
  この研究は、データ異常の最初の理論的原理とドメインに依存しないタイプポロジーを提供する。 異常の概念とその表現を具体的に定義するために、タイプロジーは5次元を使用する。 これらの基本次元とデータ中心次元は自然に3つの広い群、9つの基本タイプ、63の異常のサブタイプをもたらす。
  論文  参考訳（メタデータ） (2020-07-30T17:55:11Z)
• Towards causal benchmarking of bias in face analysis algorithms [54.19499274513654]
  顔分析アルゴリズムのアルゴリズムバイアスを測定する実験手法を開発した。 提案手法は,一致したサンプル画像の合成トランスクター'を生成することに基づく。 性別分類アルゴリズムの偏見を従来の観察法を用いて分析することにより,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-07-13T17:10:34Z)
• Learning from Failure: Training Debiased Classifier from Biased Classifier [76.52804102765931]
  ニューラルネットワークは、所望の知識よりも学習が簡単である場合にのみ、素早い相関に依存することを学習していることを示す。 本稿では,一対のニューラルネットワークを同時にトレーニングすることで,障害に基づくデバイアス化手法を提案する。 本手法は,合成データセットと実世界のデータセットの両方において,各種バイアスに対するネットワークのトレーニングを大幅に改善する。
  論文  参考訳（メタデータ） (2020-07-06T07:20:29Z)
• Causal Mediation Analysis for Interpreting Neural NLP: The Case of Gender Bias [45.956112337250275]
  本稿では, 因果媒介分析の理論に基づく手法を提案し, モデルのどの部分が因果関係に関係しているかを解釈する。 本研究では,事前学習したトランスフォーマー言語モデルにおける性別バイアスの分析に本手法を適用した。 媒介分析の結果,性別バイアス効果は (i) ネットワークのごく一部に集中しており, (ii) 相乗的, 増幅的, あるいは抑圧的であり, (iii) 入力から直接的に, 仲介者を通して間接的に流れる効果に分解可能であることがわかった。
  論文  参考訳（メタデータ） (2020-04-26T01:53:03Z)

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。