論文の概要: Consistency-based Merging of Variability Models

• arxiv url: http://arxiv.org/abs/2102.07643v1
• Date: Mon, 15 Feb 2021 16:28:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-16 15:47:28.898298
• Title: Consistency-based Merging of Variability Models
• Title（参考訳）: 可変性モデルの一貫性に基づくマージ
• Authors: Mathias Uta and Alexander Felfernig and Gottfried Schenner and Johannes Spoecklberger
• Abstract要約: 本稿では,コンテキストモデリングとコンフリクト検出の概念に基づく可変性モデル統合のアプローチを紹介する。 基礎となる概念と対応する性能分析の結果について述べる。
• 参考スコア（独自算出の注目度）: 62.997667081978825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Globally operating enterprises selling large and complex products and services often have to deal with situations where variability models are locally developed to take into account the requirements of local markets. For example, cars sold on the U.S. market are represented by variability models in some or many aspects different from European ones. In order to support global variability management processes, variability models and the underlying knowledge bases often need to be integrated. This is a challenging task since an integrated knowledge base should not produce results which are different from those produced by the individual knowledge bases. In this paper, we introduce an approach to variability model integration that is based on the concepts of contextual modeling and conflict detection. We present the underlying concepts and the results of a corresponding performance analysis.
• Abstract（参考訳）: 大規模で複雑な製品やサービスを販売しているグローバル運用企業は、地元の市場の要求を考慮に入れた変動性モデルがローカルに開発される状況に対処する必要がある。 例えば、米国市場で販売されている車は、ヨーロッパと異なるいくつかのまたは多くの側面で変動モデルで表される。 グローバル可変性管理プロセスをサポートするためには、可変性モデルと基礎となる知識ベースを統合する必要がある。 統合知識ベースは個々の知識ベースによって生成されたものと異なる結果を生成するべきではないため、これは難しい課題である。 本稿では、コンテキストモデルと競合検出の概念に基づいた可変性モデル統合のアプローチについて紹介する。 基礎となる概念と対応する性能分析の結果について述べる。

関連論文リスト

• Foundation Models for Decision Making: Problems, Methods, and Opportunities [124.79381732197649]
  大規模に多様なデータに基づいて事前訓練された基礎モデルは、幅広いビジョンと言語タスクにおいて異常な能力を示してきた。 ファンデーションモデルをトレーニングし、他のエージェントと対話し、長期的な推論を行うための新しいパラダイムが生まれている。 基礎モデルと意思決定の交わりにおける研究は、強力な新しいシステムを作るための大きな約束である。
  論文  参考訳（メタデータ） (2023-03-07T18:44:07Z)
• Local and Global Explainability Metrics for Machine Learning Predictions [0.0]
  本稿では,機械学習モデルの予測を解釈するための新しい定量的メトリクスフレームワークを提案する。 提案するメトリクスはモデル非依存であり、定量化するために定義される。 結果は、これらのメトリクスがどのようにモデル予測をより包括的に理解することができるかを明らかにする。
  論文  参考訳（メタデータ） (2023-02-23T15:28:36Z)
• On the Interventional Kullback-Leibler Divergence [11.57430292133273]
  因果モデル間の構造的差異と分布的差異を定量化するために、Interventional Kullback-Leibler divergenceを導入する。 本稿では,介入対象に対する十分な条件を提案し,モデルが確実に一致または一致しない観察変数のサブセットを同定する。
  論文  参考訳（メタデータ） (2023-02-10T17:03:29Z)
• "Why did the Model Fail?": Attributing Model Performance Changes to Distribution Shifts [17.381178048938068]
  本稿では,環境間の性能差を基礎となるデータ生成機構の変化に寄与させる問題を紹介する。 分散の連立(あるいは集合)の価値を計算するための重要重み付け法を導出する。 2つの合成データセットと2つの実世界のケーススタディにおいて,本手法の有効性と有用性を示す。
  論文  参考訳（メタデータ） (2022-10-19T17:58:09Z)
• Billion-user Customer Lifetime Value Prediction: An Industrial-scale Solution from Kuaishou [19.31651596803956]
  顧客ライフタイムバリュー(英:Customer Life Time Value、LTV)は、単一のユーザがビジネスにもたらすことができる総収入である。 LTVのモデリングは、複雑で変更可能なデータ分散のため、難しい問題である。 我々は、異なる時間帯のLTV間の順序依存をモデル化する秩序依存モノトニックネットワーク(ODMN)を導入する。
  論文  参考訳（メタデータ） (2022-08-29T04:05:21Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• MultiViz: An Analysis Benchmark for Visualizing and Understanding Multimodal Models [103.9987158554515]
  MultiVizは、解釈可能性の問題を4段階に足場化することで、マルチモーダルモデルの振る舞いを分析する手法である。 MultiVizの相補的な段階は、モデル予測をシミュレートし、機能に解釈可能な概念を割り当て、モデル誤分類のエラー解析を行い、エラー解析からモデルデバッグへの洞察を利用することを可能にする。
  論文  参考訳（メタデータ） (2022-06-30T18:42:06Z)
• On the Opportunities and Risks of Foundation Models [256.61956234436553]
  これらのモデルの基礎モデルは、批判的に中心的だが不完全な性格を根底から立証するものです。 本報告では,基礎モデルの可能性とリスクについて概説する。 これらの疑問に対処するためには、基礎モデルに関する重要な研究の多くは、深い学際的なコラボレーションが必要であると信じている。
  論文  参考訳（メタデータ） (2021-08-16T17:50:08Z)
• How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating and Auditing Generative Models [95.8037674226622]
  ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。 当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
  論文  参考訳（メタデータ） (2021-02-17T18:25:30Z)

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。