論文の概要: Using Simulation to Aid the Design and Optimization of Intelligent User
Interfaces for Quality Assurance Processes in Machine Learning
- arxiv url: http://arxiv.org/abs/2104.01129v1
- Date: Fri, 2 Apr 2021 16:10:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 15:04:59.429121
- Title: Using Simulation to Aid the Design and Optimization of Intelligent User
Interfaces for Quality Assurance Processes in Machine Learning
- Title(参考訳): 機械学習における品質保証プロセスのためのインテリジェントユーザインタフェースの設計と最適化を支援するシミュレーションの利用
- Authors: Yu Zhang and Martijn Tennekes and Tim de Jong and Lyana Curier and Bob
Coecke and Min Chen
- Abstract要約: 本稿では,QA4MLプロセスのためのインテリジェントユーザインタフェースの設計と最適化を支援するシミュレーションを提案する。
我々は、適切なコマンドとアルゴリズムの選択における人間の知能の複合効果と、品質保証のためのデータオブジェクトを並べ替えるための汎用アルゴリズムの集合を提供する機械知能のシミュレーションに重点を置いている。
- 参考スコア(独自算出の注目度): 5.2805531669637364
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many mission-critical applications of machine learning (ML) in the real-world
require a quality assurance (QA) process before the decisions or predictions of
an ML model can be deployed. Because QA4ML users have to view a non-trivial
amount of data and perform many input actions to correct errors made by the ML
model, an optimally-designed user interface (UI) can reduce the cost of
interactions significantly. A UI's effectiveness can be affected by many
factors, such as the number of data objects processed concurrently, the types
of commands for correcting errors, and the availability of algorithms for
assisting users. We propose using simulation to aid the design and optimization
of intelligent user interfaces for QA4ML processes. In particular, we focus on
simulating the combined effects of human intelligence in selecting appropriate
commands and algorithms, and machine intelligence in providing a collection of
general-purpose algorithms for reordering data objects to be quality-assured.
- Abstract(参考訳): 現実世界における機械学習(ML)のミッションクリティカルなアプリケーションの多くは、MLモデルの判断や予測がデプロイされる前に品質保証(QA)プロセスを必要とする。
qa4mlのユーザは、膨大な量のデータを閲覧し、mlモデルによるエラーを修正するために多くの入力アクションを実行する必要があるため、最適な設計のユーザーインターフェイス(ui)は、インタラクションのコストを大幅に削減することができる。
uiの有効性は、並列に処理されるデータオブジェクトの数、エラーを修正するコマンドの種類、ユーザを支援するアルゴリズムの可用性など、多くの要因に影響される可能性がある。
本稿では,QA4MLプロセスのためのインテリジェントユーザインタフェースの設計と最適化を支援するシミュレーションを提案する。
特に、適切なコマンドとアルゴリズムの選択における人間の知能の複合効果と、品質保証のためのデータオブジェクトを並べ替えるための汎用アルゴリズムの集合を提供する機械知能のシミュレーションに焦点を当てる。
関連論文リスト
- Interactive Hyperparameter Optimization in Multi-Objective Problems via
Preference Learning [65.51668094117802]
我々は多目的機械学習(ML)に適した人間中心型対話型HPO手法を提案する。
ユーザが自分のニーズに最も適した指標を推測する代わりに、私たちのアプローチは自動的に適切な指標を学習します。
論文 参考訳(メタデータ) (2023-09-07T09:22:05Z) - AutoML-GPT: Large Language Model for AutoML [5.9145212342776805]
包括的なツールとライブラリを統合するAutoML-GPTというフレームワークを確立しました。
会話インターフェースを通じて、ユーザーは要求、制約、評価メトリクスを指定できる。
我々は、AutoML-GPTが機械学習タスクに必要な時間と労力を大幅に削減することを示した。
論文 参考訳(メタデータ) (2023-09-03T09:39:49Z) - MLLM-DataEngine: An Iterative Refinement Approach for MLLM [62.30753425449056]
本稿では,データ生成,モデルトレーニング,評価を橋渡しする新しいクローズドループシステムを提案する。
各ループ内で、MLLM-DataEngineはまず評価結果に基づいてモデルの弱点を分析する。
ターゲットとして,異なる種類のデータの比率を調整する適応型バッドケースサンプリングモジュールを提案する。
品質については、GPT-4を用いて、各データタイプで高品質なデータを生成する。
論文 参考訳(メタデータ) (2023-08-25T01:41:04Z) - ClimSim: A large multi-scale dataset for hybrid physics-ML climate
emulation [89.29389098578194]
物理と機械学習(ML)を組み合わせたハイブリッドな手法は、新しい世代の高忠実度気候シミュレータを導入した。
ClimSimは、ハイブリッドML物理研究のために設計された、史上最大のデータセットである。
論文 参考訳(メタデータ) (2023-06-14T21:26:31Z) - ChatGPT as your Personal Data Scientist [0.9689893038619583]
本稿では,ChatGPTを用いた対話型データサイエンスフレームワークについて紹介する。
データビジュアライゼーション、タスクの定式化、予測エンジニアリング、結果概要と勧告の4つのダイアログ状態を中心に、私たちのモデルが中心になっています。
要約して,会話データ科学の新たな概念が実現可能であることを証明するとともに,複雑なタスクを解く上でLLMが有効であることを示すエンド・ツー・エンド・エンド・システムを開発した。
論文 参考訳(メタデータ) (2023-05-23T04:00:16Z) - AutoML-GPT: Automatic Machine Learning with GPT [74.30699827690596]
本稿では,タスク指向のプロンプトを開発し,大規模言語モデル(LLM)を自動的に活用して学習パイプラインを自動化することを提案する。
本稿では,多様なAIモデルのブリッジとしてGPTを用いたAutoML-GPTを提案する。
このアプローチはコンピュータビジョン、自然言語処理、その他の課題領域において顕著な結果をもたらす。
論文 参考訳(メタデータ) (2023-05-04T02:09:43Z) - OmniForce: On Human-Centered, Large Model Empowered and Cloud-Edge
Collaborative AutoML System [85.8338446357469]
我々は人間中心のAutoMLシステムであるOmniForceを紹介した。
我々は、OmniForceがAutoMLシステムを実践し、オープン環境シナリオにおける適応型AIを構築する方法について説明する。
論文 参考訳(メタデータ) (2023-03-01T13:35:22Z) - Improved and Efficient Conversational Slot Labeling through Question
Answering [48.670822631047635]
Transformer-based Pretrained Language Model (PLM) は、自然言語理解(NLU)タスクの大部分に適合しないパフォーマンスを提供する。
本稿では,対話のためのNLUの重要なコンポーネントであるテキストスロットラベリング(SL)のモデリングと研究に焦点をあてる。
本稿では,QA調整型PLMをSLタスクに適用し,新しい最先端性能を実現する方法を示す。
論文 参考訳(メタデータ) (2022-04-05T11:34:35Z) - Automatic Componentwise Boosting: An Interpretable AutoML System [1.1709030738577393]
本稿では,高度にスケーラブルなコンポーネントワイドブースティングアルゴリズムを用いて適用可能な,解釈可能な付加モデルを構築するAutoMLシステムを提案する。
我々のシステムは、部分的な効果やペアの相互作用を可視化するなど、簡単なモデル解釈のためのツールを提供する。
解釈可能なモデル空間に制限があるにもかかわらず、我々のシステムは、ほとんどのデータセットにおける予測性能の点で競争力がある。
論文 参考訳(メタデータ) (2021-09-12T18:34:33Z) - Robusta: Robust AutoML for Feature Selection via Reinforcement Learning [24.24652530951966]
強化学習(RL)に基づく初の堅牢なAutoMLフレームワークRobostaを提案します。
このフレームワークは,良性サンプルの競争精度を維持しつつ,モデルロバスト性を最大22%向上させることができることを示す。
論文 参考訳(メタデータ) (2021-01-15T03:12:29Z) - Understanding the effect of hyperparameter optimization on machine
learning models for structure design problems [8.504300709184177]
機械学習アルゴリズム(MLAs)は、コンピュータ支援工学設計における代理モデルとして実装されている。
代理モデルの精度とロバスト性に対するハイパーパラメータの影響に関する体系的な研究の欠如がある。
GPR(Gaussian Process Regression)、SVM(Support Vector Machine)、RFR(Random Forest Regression)、ANN(Artificial Neural Network)の4つが頻繁に使用されている。
その結果,HOpt は一般に MLA モデルの性能を向上させることができることがわかった。
論文 参考訳(メタデータ) (2020-07-04T14:57:34Z)
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。