Fugu-MT 論文翻訳(概要): A Computability Perspective on (Verified) Machine Learning

論文の概要: A Computability Perspective on (Verified) Machine Learning

arxiv url: http://arxiv.org/abs/2102.06585v1
Date: Fri, 12 Feb 2021 15:47:41 GMT
ステータス: 処理完了
システム内更新日: 2021-02-15 12:58:28.122223
Title: A Computability Perspective on (Verified) Machine Learning
Title（参考訳）: 検証された)機械学習に基づく計算可能性
Authors: Tonicha Crook, Jay Morgan, Arno Pauly and Markus Roggenbach
Abstract要約: 検証済み機械学習が正確に何を意味するべきかは、あまり明確ではない。検証されたMLの根底にある計算タスクをモデルに依存しない方法で定義し、それらが原理計算可能であることを示す。
参考スコア（独自算出の注目度）: 0.5161531917413708
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: There is a strong consensus that combining the versatility of machine learning with the assurances given by formal verification is highly desirable. It is much less clear what verified machine learning should mean exactly. We consider this question from the (unexpected?) perspective of computable analysis. This allows us to define the computational tasks underlying verified ML in a model-agnostic way, and show that they are in principle computable.
Abstract（参考訳）: フォーマルな検証によって与えられる保証と機械学習の汎用性を組み合わせることが極めて望ましいという強いコンセンサスがある。検証済み機械学習が正確に何を意味するべきかは、あまり明確ではない。私たちはこの質問を(予想外か? 計算可能な分析の視点。これにより、検証されたMLの根底にある計算タスクをモデルに依存しない方法で定義し、それらが原理計算可能であることを示す。

関連論文リスト

Mathematical Algorithm Design for Deep Learning under Societal and Judicial Constraints: The Algorithmic Transparency Requirement [65.26723285209853]
計算モデルにおける透過的な実装が実現可能かどうかを分析するための枠組みを導出する。以上の結果から,Blum-Shub-Smale Machinesは,逆問題に対する信頼性の高い解法を確立できる可能性が示唆された。
論文参考訳（メタデータ） (2024-01-18T15:32:38Z)
Machine Learning and Knowledge: Why Robustness Matters [0.0]
アルゴリズムの信頼性は、ユーザーがそのアウトプットが正しいかどうかを知る立場にあるかどうかにかかっている、と私は論じる。機械学習アルゴリズムは、カウンターファクトシナリオでうまく機能し、適切な機能に基づいて意思決定を行う場合にのみ、知識を提供することができる。
論文参考訳（メタデータ） (2023-10-23T15:45:27Z)
Sound Explanation for Trustworthy Machine Learning [11.779125616468194]
我々は、入力成分にスコアを割り当てることでブラックボックスモデルを解釈する実践に反対する。次に,先行研究で非公式に採用された音声説明の概念を定式化する。本稿では,がん予測モデルにおける特徴選択を音響的説明として応用し,臨床医間の信頼を育む。
論文参考訳（メタデータ） (2023-06-08T19:58:30Z)
Matched Machine Learning: A Generalized Framework for Treatment Effect Inference With Learned Metrics [87.05961347040237]
我々は、機械学習ブラックボックスの柔軟性とマッチングの解釈可能性を組み合わせたフレームワークであるMatched Machine Learningを紹介する。我々のフレームワークは機械学習を用いて、一致した単位を学習し、結果を推定する最適な指標を学習する。一致機械学習のインスタンスはブラックボックスの機械学習手法と同等に動作し、類似した問題に対する既存のマッチング手法よりも優れていることを実証的に示す。
論文参考訳（メタデータ） (2023-04-03T19:32:30Z)
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)
QuantifyML: How Good is my Machine Learning Model? [0.0]
QuantifyMLは、機械学習モデルが与えられたデータから学習し、一般化した範囲を定量化することを目的としている。この式は市販モデルカウンタを用いて解析し、異なるモデル挙動に関する正確な数を求める。
論文参考訳（メタデータ） (2021-10-25T01:56:01Z)
A Note on High-Probability versus In-Expectation Guarantees of Generalization Bounds in Machine Learning [95.48744259567837]
統計的機械学習理論は、しばしば機械学習モデルの一般化を保証するよう試みる。機械学習モデルのパフォーマンスに関する声明は、サンプリングプロセスを考慮する必要がある。 1つのステートメントを別のステートメントに変換する方法を示します。
論文参考訳（メタデータ） (2020-10-06T09:41:35Z)
Explainable Empirical Risk Minimization [0.6299766708197883]
機械学習(ML)の手法が成功すると、解釈可能性や説明可能性にますます依存するようになる。本稿では、情報理論の概念を適用し、ML法による予測の主観的説明可能性のための新しい尺度を開発する。我々の主な貢献は、主観的説明可能性とリスクを最適にバランスする仮説を学ぶための説明可能な経験的リスク最小化(EERM)原理である。
論文参考訳（メタデータ） (2020-09-03T07:16:34Z)
Verification of ML Systems via Reparameterization [6.482926592121413]
確率的プログラムを定理証明器で自動的に表現する方法を示す。また、ベイズ仮説テストで用いられるヌルモデルは、人口統計学的パリティ(英語版)と呼ばれる公平性基準を満たすことを証明した。
論文参考訳（メタデータ） (2020-07-14T02:19:25Z)
An Information-Theoretic Approach to Personalized Explainable Machine Learning [92.53970625312665]
本稿では,予測とユーザ知識のための簡易確率モデルを提案する。説明と予測の間の条件付き相互情報による説明の効果を定量化する。
論文参考訳（メタデータ） (2020-03-01T13:06:29Z)
Explainable Active Learning (XAL): An Empirical Study of How Local Explanations Impact Annotator Experience [76.9910678786031]
本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
論文参考訳（メタデータ） (2020-01-24T22:52:18Z)

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。