論文の概要: User-Oriented Smart General AI System under Causal Inference
- arxiv url: http://arxiv.org/abs/2103.14561v1
- Date: Thu, 25 Mar 2021 08:34:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 04:40:43.390759
- Title: User-Oriented Smart General AI System under Causal Inference
- Title（参考訳）: 因果推論に基づくユーザ指向スマート汎用AIシステム
- Authors: Huimin Peng
- Abstract要約: 汎用AIシステムは、自動化された方法で高性能で幅広いタスクを解決します。
ある個人が設計した最も一般的なaiアルゴリズムは、他の個人が考案したものとは異なる。
暗黙の知識は、タスク情報のユーザ固有の理解と個々のモデル設計の好みに依存する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: General AI system solves a wide range of tasks with high performance in an
automated fashion. The best general AI algorithm designed by one individual is
different from that devised by another. The best performance records achieved
by different users are also different. An inevitable component of general AI is
tacit knowledge that depends upon user-specific comprehension of task
information and individual model design preferences that are related to user
technical experiences. Tacit knowledge affects model performance but cannot be
automatically optimized in general AI algorithms. In this paper, we propose
User-Oriented Smart General AI System under Causal Inference, abbreviated as
UOGASuCI, where UOGAS represents User-Oriented General AI System and uCI means
under the framework of causal inference. User characteristics that have a
significant influence upon tacit knowledge can be extracted from observed model
training experiences of many users in external memory modules. Under the
framework of causal inference, we manage to identify the optimal value of user
characteristics that are connected with the best model performance designed by
users. We make suggestions to users about how different user characteristics
can improve the best model performance achieved by users. By recommending
updating user characteristics associated with individualized tacit knowledge
comprehension and technical preferences, UOGAS helps users design models with
better performance.
- Abstract（参考訳）: 一般的なaiシステムは、自動化された方法でハイパフォーマンスで幅広いタスクを解決します。
ある個人が設計した最も一般的なaiアルゴリズムは、他の個人が考案したものとは異なる。
異なるユーザーによって達成される最高のパフォーマンス記録も異なる。
一般的なAIの必然的な構成要素は、ユーザ固有のタスク情報の理解と、ユーザ技術経験に関連する個々のモデル設計の好みに依存する暗黙の知識である。
暗黙の知識はモデルの性能に影響を与えるが、一般的なAIアルゴリズムで自動的に最適化することはできない。
本稿では,UOGASがユーザ指向汎用AIシステムを表し,uCIが因果推論の枠組みの下で意味するUOGASuCIと略される,因果推論に基づくユーザ指向スマート汎用AIシステムを提案する。
外部メモリモジュールにおける多くのユーザのモデルトレーニング経験から,暗黙的知識に大きな影響を与えるユーザ特性を抽出することができる。
因果推論の枠組みの下では,ユーザによって設計された最良のモデル性能と結びついたユーザ特性の最適値を特定することができる。
ユーザ特性の違いがユーザによって達成された最良のモデルパフォーマンスをいかに改善できるか,ユーザに提案する。
個別化された暗黙的知識理解と技術的嗜好に関連するユーザ特性の更新を推奨することにより、UOGASは、より優れたパフォーマンスを持つモデルの設計を支援する。
関連論文リスト
- Survey of User Interface Design and Interaction Techniques in Generative AI Applications [79.55963742878684]
我々は,デザイナやディベロッパの参照として使用できる,さまざまなユーザインタラクションパターンのコンペレーションを作ることを目指している。
また、生成AIアプリケーションの設計についてもっと学ぼうとする人たちの参入障壁を低くしようと努力しています。
論文 参考訳（メタデータ） (2024-10-28T23:10:06Z) - iSee: Advancing Multi-Shot Explainable AI Using Case-based Recommendations [0.6774524960721717]
iSeeプラットフォームは、説明体験のインテリジェントな共有と再利用のために設計されている。
ケースベースの推論は、XAIのベストプラクティスを前進させるために使用されます。
iSeeプラットフォーム内で生成されたすべての知識は、相互運用性のためのiSeeオントロジーによって形式化されている。
論文 参考訳（メタデータ） (2024-08-23T09:44:57Z) - Establishing Knowledge Preference in Language Models [80.70632813935644]
言語モデルは事前学習を通じて大量の事実知識を符号化することが知られている。
このような知識はユーザーからの要求に応えるには不十分かもしれない。
進行中のイベントに関する質問に答える場合には、最新のニュース記事を使って回答を更新する必要がある。
ある事実がモデルで編集されると、更新された事実はモデルによって学習されたすべての事前知識をオーバーライドする。
論文 参考訳（メタデータ） (2024-07-17T23:16:11Z) - Beyond One-Size-Fits-All: Adapting Counterfactual Explanations to User Objectives [2.3369294168789203]
Counterfactual Explanations (CFE)は、機械学習アルゴリズムの意思決定プロセスに関する洞察を提供する。
既存の文献は、様々なアプリケーションやドメインにわたるユーザのニーズや目的を見落としていることが多い。
我々は,ユーザの目的や対象アプリケーションに基づいて,所望の特性の変化を認識することによって,CFEの微妙な理解を提唱する。
論文 参考訳（メタデータ） (2024-04-12T13:11:55Z) - Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である
本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
論文 参考訳（メタデータ） (2023-12-22T17:57:57Z) - I-CEE: Tailoring Explanations of Image Classification Models to User
Expertise [13.293968260458962]
I-CEEは,ユーザエキスパートに適した画像分類記述を提供するフレームワークである。
I-CEEは、ユーザの専門知識に依存するサンプルイメージのインフォメーション性をモデル化し、異なるユーザに対して異なるサンプルを生成する。
シミュレーションされたユーザによる実験は、I-CEEがモデルの判断を正確に予測する能力を改善することを示している。
論文 参考訳（メタデータ） (2023-12-19T12:26:57Z) - LAMBO: Large AI Model Empowered Edge Intelligence [71.56135386994119]
次世代エッジインテリジェンスは、オフロード技術を通じて様々なアプリケーションに恩恵をもたらすことが期待されている。
従来のオフロードアーキテクチャは、不均一な制約、部分的な認識、不確実な一般化、トラクタビリティの欠如など、いくつかの問題に直面している。
我々は、これらの問題を解決するための10億以上のパラメータを持つLarge AI Model-Based Offloading (LAMBO)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-29T07:25:42Z) - Advancing Human-AI Complementarity: The Impact of User Expertise and
Algorithmic Tuning on Joint Decision Making [10.890854857970488]
ユーザのドメイン知識、AIシステムのメンタルモデル、レコメンデーションへの信頼など、多くの要因がヒューマンAIチームの成功に影響を与える可能性がある。
本研究は,非自明な血管ラベル作成作業において,血管が流れているか停止しているかを被験者に示すことを目的とした。
以上の結果から,AI-Assistantからの推薦はユーザの意思決定に役立つが,AIに対するユーザベースラインのパフォーマンスや,AIエラー型の相補的チューニングといった要因は,チーム全体のパフォーマンスに大きな影響を及ぼすことが示された。
論文 参考訳（メタデータ） (2022-08-16T21:39:58Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2022-06-28T03:28:15Z) - The Impact of Explanations on AI Competency Prediction in VQA [3.149760860038061]
視覚的質問応答(VQA)タスクにおけるAIエージェント能力のユーザ精神モデルに対する説明の影響を評価する。
本稿では,空間的特徴とオブジェクト的特徴を併用し,BERT言語モデルを用いた説明可能なVQAシステムを提案する。
論文 参考訳（メタデータ） (2020-07-02T06:11:28Z) - Optimizing Interactive Systems via Data-Driven Objectives [70.3578528542663]
本稿では,観察されたユーザインタラクションから直接目的を推測する手法を提案する。
これらの推論は、事前の知識によらず、様々な種類のユーザー行動にまたがって行われる。
本稿では,これらの推定対象を最適化するために利用する新しいアルゴリズムであるInteractive System(ISO)を紹介する。
論文 参考訳（メタデータ） (2020-06-19T20:49:14Z)
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。