Fugu-MT 論文翻訳(概要): AHMoSe: A Knowledge-Based Visual Support System for Selecting Regression Machine Learning Models

論文の概要: AHMoSe: A Knowledge-Based Visual Support System for Selecting Regression Machine Learning Models

arxiv url: http://arxiv.org/abs/2101.11970v2
Date: Tue, 30 Nov 2021 19:40:15 GMT
ステータス: 処理完了
システム内更新日: 2023-04-13 11:37:41.374505
Title: AHMoSe: A Knowledge-Based Visual Support System for Selecting Regression Machine Learning Models
Title（参考訳）: AHMoSe:回帰機械学習モデル選択のための知識ベースビジュアルサポートシステム
Authors: Diego Rojo, Nyi Nyi Htun, Denis Parra, Robin De Croon and Katrien Verbert
Abstract要約: AHMoSeは、ドメインの専門家がさまざまな回帰モデルを理解し、診断し、比較するためのビジュアルサポートシステムである。本稿では,ブドウ栽培分野におけるユースケースシナリオであるブドウの品質予測について述べる。
参考スコア（独自算出の注目度）: 2.9998889086656577
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Decision support systems have become increasingly popular in the domain of agriculture. With the development of automated machine learning, agricultural experts are now able to train, evaluate and make predictions using cutting edge machine learning (ML) models without the need for much ML knowledge. Although this automated approach has led to successful results in many scenarios, in certain cases (e.g., when few labeled datasets are available) choosing among different models with similar performance metrics is a difficult task. Furthermore, these systems do not commonly allow users to incorporate their domain knowledge that could facilitate the task of model selection, and to gain insight into the prediction system for eventual decision making. To address these issues, in this paper we present AHMoSe, a visual support system that allows domain experts to better understand, diagnose and compare different regression models, primarily by enriching model-agnostic explanations with domain knowledge. To validate AHMoSe, we describe a use case scenario in the viticulture domain, grape quality prediction, where the system enables users to diagnose and select prediction models that perform better. We also discuss feedback concerning the design of the tool from both ML and viticulture experts.
Abstract（参考訳）: 農業分野では意思決定支援システムがますます普及している。自動機械学習の開発により、農業の専門家は、多くのML知識を必要とせずに最先端機械学習(ML)モデルを使用して、トレーニング、評価、予測を行うことができるようになった。この自動化アプローチは多くのシナリオで成功しているが、いくつかのケース(ラベル付きデータセットが少ない場合など)では、同様のパフォーマンスメトリクスを持つ異なるモデルを選択することが難しい。さらに、これらのシステムでは、ユーザがモデル選択のタスクを容易にするドメイン知識を取り入れたり、最終的な意思決定のための予測システムに関する洞察を得ることが一般的ではない。本稿では,モデルに依存しない説明とドメイン知識を充実させることにより,異なる回帰モデルを理解し,診断し,比較することができる視覚支援システムであるahmoseを提案する。 AHMoSeを検証するために,ブドウ栽培分野におけるユースケースシナリオであるブドウの品質予測について述べる。また,本ツールの設計に関するmlとブドウ栽培の専門家からのフィードバックについても述べる。

関連論文リスト

Deciphering AutoML Ensembles: cattleia's Assistance in Decision-Making [0.0]
Cattleiaは、回帰、マルチクラス、バイナリ分類タスクのアンサンブルを解読するアプリケーションである。 Auto-Sklearn、AutoGluon、FLAMLという3つのAutoMLパッケージで構築されたモデルで動作する。
論文参考訳（メタデータ） (2024-03-19T11:56:21Z)
Towards MLOps: A DevOps Tools Recommender System for Machine Learning System [1.065497990128313]
MLOpsと機械学習システムは、要求の従来のシステムとは異なり、新しいデータで進化する。本稿では,コンテキスト情報を処理するレコメンデーションシステムのためのフレームワークを提案する。ルールベース,無作為林,決定木およびk-アネレスト近傍の4つの異なるアプローチについて検討した。
論文参考訳（メタデータ） (2024-02-20T09:57:49Z)
Democratize with Care: The need for fairness specific features in user-interface based open source AutoML tools [0.0]
Automated Machine Learning (AutoML)は、機械学習モデル開発プロセスを効率化する。この民主化により、多くのユーザー(非専門家を含む)が最先端の機械学習の専門知識にアクセスし利用できるようになる。しかし、AutoMLツールはまた、これらのツールがデータを処理する方法、モデル選択、そして採用される最適化アプローチのバイアスを伝播する可能性がある。
論文参考訳（メタデータ） (2023-12-16T19:54:00Z)
Ecosystem-level Analysis of Deployed Machine Learning Reveals Homogeneous Outcomes [72.13373216644021]
本研究では,機械学習の社会的影響を,特定の文脈に展開されるモデルの集合を考慮し検討する。デプロイされた機械学習はシステム障害を起こしやすいため、利用可能なすべてのモデルに排他的に誤分類されているユーザもいます。これらの例は、エコシステムレベルの分析が、機械学習の社会的影響を特徴づける独自の強みを持っていることを示している。
論文参考訳（メタデータ） (2023-07-12T01:11:52Z)
ComplAI: Theory of A Unified Framework for Multi-factor Assessment of Black-Box Supervised Machine Learning Models [6.279863832853343]
ComplAIは、説明可能性、堅牢性、パフォーマンス、公正性、モデル行動を有効にし、観察し、分析し、定量化するユニークなフレームワークである。教師付き機械学習モデルの評価は、正しい予測を行う能力だけでなく、全体的な責任の観点から行う。
論文参考訳（メタデータ） (2022-12-30T08:48:19Z)
Beyond Explaining: Opportunities and Challenges of XAI-Based Model Improvement [75.00655434905417]
説明可能な人工知能(XAI)は、高度に複雑な機械学習(ML)モデルに透明性をもたらす新たな研究分野である。本稿では,機械学習モデルの諸特性を改善するために,XAIを実用的に応用する手法を概観する。実験では,モデル一般化能力や推論などの特性を改善する上で,説明がどのように役立つのかを,おもちゃと現実的な設定で実証的に示す。
論文参考訳（メタデータ） (2022-03-15T15:44:28Z)
Multi Agent System for Machine Learning Under Uncertainty in Cyber Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文参考訳（メタデータ） (2021-07-28T10:28:05Z)
A Model-Driven Engineering Approach to Machine Learning and Software Modeling [0.5156484100374059]
モデルは、ソフトウェア工学(SE)と人工知能(AI)のコミュニティで使われている。主な焦点はIoT(Internet of Things)とCPS(Smart Cyber-Physical Systems)のユースケースである。
論文参考訳（メタデータ） (2021-07-06T15:50:50Z)
Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文参考訳（メタデータ） (2021-06-14T11:42:46Z)
Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
論文参考訳（メタデータ） (2021-01-24T05:40:29Z)
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。