論文の概要: An Interpretable Graph-based Mapping of Trustworthy Machine Learning
Research
- arxiv url: http://arxiv.org/abs/2105.06591v1
- Date: Thu, 13 May 2021 23:25:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-17 12:34:59.937916
- Title: An Interpretable Graph-based Mapping of Trustworthy Machine Learning
Research
- Title(参考訳): 信頼できる機械学習研究の解釈可能なグラフベースマッピング
- Authors: Noemi Derzsy, Subhabrata Majumdar, Rajat Malik
- Abstract要約: 我々は、7000以上のピアレビューされた最近のML論文からなるウェブスクラッドコーパスを用いて、単語の共起ネットワークを構築した。
コミュニティ検出を使用して、TwMLトピックの相対的な位置を推測できるこのネットワーク内の単語のセマンティッククラスタを取得します。
- 参考スコア(独自算出の注目度): 3.222802562733787
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There is an increasing interest in ensuring machine learning (ML) frameworks
behave in a socially responsible manner and are deemed trustworthy. Although
considerable progress has been made in the field of Trustworthy ML (TwML) in
the recent past, much of the current characterization of this progress is
qualitative. Consequently, decisions about how to address issues of
trustworthiness and future research goals are often left to the interested
researcher. In this paper, we present the first quantitative approach to
characterize the comprehension of TwML research. We build a co-occurrence
network of words using a web-scraped corpus of more than 7,000 peer-reviewed
recent ML papers -- consisting of papers both related and unrelated to TwML. We
use community detection to obtain semantic clusters of words in this network
that can infer relative positions of TwML topics. We propose an innovative
fingerprinting algorithm to obtain probabilistic similarity scores for
individual words, then combine them to give a paper-level relevance score. The
outcomes of our analysis inform a number of interesting insights on advancing
the field of TwML research.
- Abstract(参考訳): 機械学習(ML)フレームワークが社会的に責任を負った振る舞いを確実にすることへの関心が高まっている。
近年、信頼に値するml(twml)の分野でかなりの進歩が見られたが、この進歩の現在の特徴の多くは定性的である。
その結果、信頼度や将来の研究目標の課題に対処する方法に関する決定は、しばしば関心のある研究者に委ねられる。
本稿では,TwML研究の理解を特徴付けるための最初の定量的アプローチを提案する。
我々は、7000以上のピアレビューされた最近のML論文からなるWebスクラッドコーパスを使用して、単語の共起ネットワークを構築します。
我々はコミュニティ検出を用いて、TwMLトピックの相対的な位置を推測できる、このネットワークにおける単語の意味的クラスタを得る。
本稿では,個々の単語に対する確率的類似度スコアを得るための新しいフィンガープリントアルゴリズムを提案する。
分析の結果から,TwML研究の進展に関する興味深い知見が数多く得られている。
関連論文リスト
- Measuring Distributional Shifts in Text: The Advantage of Language
Model-Based Embeddings [11.393822909537796]
実運用における機械学習モデル監視の重要な部分は、入力と出力データのドリフトを測定することである。
大規模言語モデル(LLM)の最近の進歩は、意味的関係を捉える上での有効性を示している。
このような埋め込みを利用してテキストデータの分布変化を測定するクラスタリングに基づくアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-12-04T20:46:48Z) - SEED-Bench-2: Benchmarking Multimodal Large Language Models [67.28089415198338]
MLLM(Multimodal large language model)は、最近、テキストだけでなく、インターリーブされたマルチモーダル入力の画像を生成できることを実証した。
SEED-Bench-2は、正確な人間のアノテーションを持つ24Kの多重選択質問で構成されており、27次元にまたがっている。
我々は,23個の著名なオープンソースMLLMの性能を評価し,貴重な観察結果を要約した。
論文 参考訳(メタデータ) (2023-11-28T05:53:55Z) - Controllable Multi-document Summarization: Coverage & Coherence
Intuitive Policy with Large Language Model Based Rewards [42.171703872560286]
可制御性(英: controllability)とは、複数文書の要約などの長い入力を持つテキスト生成タスクにおいて問題となる問題である。
LLMによって洗練されるテキストを抽出するために、制御可能なコンテンツ抽出スキームを訓練する。
提案手法は,ROUGE測定値を用いた評価において競争結果が得られ,コヒーレンスにおける潜在的なベースラインよりも優れる。
論文 参考訳(メタデータ) (2023-10-05T11:29:09Z) - A Survey on Multimodal Large Language Models [56.754753799607585]
マルチモーダル言語モデル(MLLM)は、マルチモーダルタスクを実行するために、脳として強力な大規模言語モデルを使用する。
MLLMの驚くべき創発的能力、例えば画像に基づくストーリーの作成やOCRのない数学推論は、伝統的な手法ではまれである。
論文 参考訳(メタデータ) (2023-06-23T15:21:52Z) - Interpretability of Machine Learning: Recent Advances and Future
Prospects [21.68362950922772]
機械学習(ML)の普及は、様々なマルチメディアコンテンツの研究に前例のない関心を集めている。
現代のML、特にディープニューラルネットワーク(DNN)におけるブラックボックスの性質は、MLベースの表現学習において主要な課題となっている。
本稿では,MLの解釈可能性に関する最近の進歩と今後の展望について述べる。
論文 参考訳(メタデータ) (2023-04-30T17:31:29Z) - Topics in the Haystack: Extracting and Evaluating Topics beyond
Coherence [0.0]
本稿では,文と文書のテーマを深く理解する手法を提案する。
これにより、一般的な単語やネオロジズムを含む潜在トピックを検出することができる。
本稿では, 侵入者の単語の人間識別と相関係数を示し, 単語侵入作業において, ほぼ人間レベルの結果を得る。
論文 参考訳(メタデータ) (2023-03-30T12:24:25Z) - Investigating Fairness Disparities in Peer Review: A Language Model
Enhanced Approach [77.61131357420201]
我々は、大規模言語モデル(LM)の助けを借りて、ピアレビューにおける公平性格差の徹底した厳密な研究を行う。
我々は、2017年から現在までのICLR(International Conference on Learning Representations)カンファレンスで、包括的なリレーショナルデータベースを収集、組み立て、維持しています。
我々は、著作者性別、地理、著作者、機関的名声など、興味のある複数の保護属性に対する公平性の違いを仮定し、研究する。
論文 参考訳(メタデータ) (2022-11-07T16:19:42Z) - Memory-Based Optimization Methods for Model-Agnostic Meta-Learning and
Personalized Federated Learning [56.17603785248675]
モデルに依存しないメタラーニング (MAML) が人気のある研究分野となっている。
既存のMAMLアルゴリズムは、イテレーション毎にメタモデルを更新するためにいくつかのタスクとデータポイントをサンプリングすることで、エピソードのアイデアに依存している。
本稿では,MAMLのメモリベースアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-06-09T08:47:58Z) - A Taxonomy of Similarity Metrics for Markov Decision Processes [62.997667081978825]
近年、伝達学習は強化学習(RL)アルゴリズムをより効率的にすることに成功した。
本稿では,これらの指標を分類し,これまでに提案されている類似性の定義を分析する。
論文 参考訳(メタデータ) (2021-03-08T12:36:42Z) - Pairwise Learning for Name Disambiguation in Large-Scale Heterogeneous
Academic Networks [81.00481125272098]
本稿では,MA-PairRNN(Multi-view Attention-based Pairwise Recurrent Neural Network)を提案する。
MA-PairRNNは、不均一グラフ埋め込み学習とペアワイズ類似学習をフレームワークに統合する。
実世界の2つのデータセットの結果から、我々のフレームワークは名前の曖昧さに対するパフォーマンスを著しく一貫した改善をしていることがわかる。
論文 参考訳(メタデータ) (2020-08-30T06:08:20Z) - Multi-Agent Reinforcement Learning as a Computational Tool for Language
Evolution Research: Historical Context and Future Challenges [21.021451344428716]
エージェント集団における創発的コミュニケーションの計算モデルは、近年MARL(Multi-Agent Reinforcement Learning)の進歩により、機械学習コミュニティへの関心が高まっている。
本研究の目的は、言語進化研究の歴史的文脈における最近のMARL貢献の位置づけと、この理論と計算の背景から、今後の研究におけるいくつかの課題を抽出することである。
論文 参考訳(メタデータ) (2020-02-20T17:26:46Z)
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。