Fugu-MT 論文翻訳(概要): Using Simulation to Aid the Design and Optimization of Intelligent User Interfaces for Quality Assurance Processes in Machine Learning

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

AdaptoML-UX: An Adaptive User-centered GUI-based AutoML Toolkit for Non-AI Experts and HCI Researchers [19.602247178319992]
AdaptoML-UXは、自動機能エンジニアリング、機械学習、インクリメンタルラーニングを組み込んだアダプティブフレームワークである。我々のツールキットは、多様な問題領域やデータセットに効率的に適応できることを示します。インクリメンタルな学習を通じてモデルのパーソナライズをサポートし、個々のユーザの振る舞いに合わせてモデルをカスタマイズする。
論文参考訳（メタデータ） (2024-10-22T22:52:14Z)
AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
論文参考訳（メタデータ） (2024-10-03T20:01:09Z)
AvaTaR: Optimizing LLM Agents for Tool Usage via Contrastive Reasoning [93.96463520716759]
大規模言語モデル(LLM)エージェントは、精度と幻覚を高めるために外部ツールと知識を活用する際、印象的な能力を示した。本稿では、LLMエージェントを最適化して提供されたツールを効果的に活用し、与えられたタスクのパフォーマンスを向上させる新しい自動化フレームワークであるAvaTaRを紹介する。
論文参考訳（メタデータ） (2024-06-17T04:20:02Z)
Verbalized Machine Learning: Revisiting Machine Learning with Language Models [63.10391314749408]
言語化機械学習(VML)の枠組みを紹介する。 VMLはパラメータ空間を人間の解釈可能な自然言語に制限する。我々は,VMLの有効性を実証的に検証し,VMLがより強力な解釈可能性を実現するためのステップストーンとして機能することを期待する。
論文参考訳（メタデータ） (2024-06-06T17:59:56Z)
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)
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)
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。