論文の概要: Yes We Care! -- Certification for Machine Learning Methods through the
Care Label Framework
- arxiv url: http://arxiv.org/abs/2105.10197v1
- Date: Fri, 21 May 2021 08:15:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 03:34:03.461877
- Title: Yes We Care! -- Certification for Machine Learning Methods through the
Care Label Framework
- Title（参考訳）: はい 気を付けます!
--care labelフレームワークによる機械学習手法の認定
- Authors: Katharina Morik and Helena Kotthaus and Lukas Heppe and Danny Heinrich
and Raphael Fischer and Sascha M\"ucke and Andreas Pauly and Matthias Jakobs
and Nico Piatkowski
- Abstract要約: 本稿では,ケアラベルによる学習方法の認定を行う統一フレームワークを提案する。
ケアラベルは簡単に理解でき、繊維ラベルや電子機器の不動産カードといった有名な証明書からインスピレーションを得ている。
- 参考スコア（独自算出の注目度）: 5.189820825770516
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning applications have become ubiquitous. Their applications from
machine embedded control in production over process optimization in diverse
areas (e.g., traffic, finance, sciences) to direct user interactions like
advertising and recommendations. This has led to an increased effort of making
machine learning trustworthy. Explainable and fair AI have already matured.
They address knowledgeable users and application engineers. However, there are
users that want to deploy a learned model in a similar way as their washing
machine. These stakeholders do not want to spend time understanding the model.
Instead, they want to rely on guaranteed properties. What are the relevant
properties? How can they be expressed to stakeholders without presupposing
machine learning knowledge? How can they be guaranteed for a certain
implementation of a model? These questions move far beyond the current
state-of-the-art and we want to address them here. We propose a unified
framework that certifies learning methods via care labels. They are easy to
understand and draw inspiration from well-known certificates like textile
labels or property cards of electronic devices. Our framework considers both,
the machine learning theory and a given implementation. We test the
implementation's compliance with theoretical properties and bounds. In this
paper, we illustrate care labels by a prototype implementation of a
certification suite for a selection of probabilistic graphical models.
- Abstract（参考訳）: 機械学習アプリケーションはユビキタスになった。
彼らの応用は、様々な分野(トラフィック、金融、科学など)におけるプロセス最適化よりも生産におけるマシン組み込み制御から、広告やレコメンデーションのようなユーザーインタラクションを誘導する。
これにより、機械学習を信頼できるものにする努力が増えた。
説明可能な公正なAIはすでに成熟しています。
彼らは知識のあるユーザとアプリケーションエンジニアに対処する。
しかし、学習したモデルを洗濯機と同じような方法でデプロイしたいユーザはいる。
これらのステークホルダーはモデルを理解するのに時間を費やしたくない。
代わりに、保証されたプロパティに依存したい。
関連する特性は何ですか?
機械学習の知識を前提にせずに、どのようにステークホルダーに表現できるのか?
モデルの特定の実装に対してどうやって保証できるのか?
これらの質問は現在の最先端を超えており、ここで対処したい。
本稿では,ケアラベルによる学習方法の認定を行う統一フレームワークを提案する。
彼らは、テキスタイルラベルや電子機器のプロパティカードといった有名な証明書を理解し、インスピレーションを引き出すのが簡単です。
我々のフレームワークは、機械学習理論と所定の実装の両方を考慮する。
理論的特性と境界に対する実装のコンプライアンスをテストする。
本稿では,確率的グラフィカルモデルの選択のための認証スイートのプロトタイプ実装によるケアラベルについて述べる。
関連論文リスト
- Verification of Machine Unlearning is Fragile [48.71651033308842]
両タイプの検証戦略を回避できる2つの新しい非学習プロセスを導入する。
この研究は、機械学習検証の脆弱性と限界を強調し、機械学習の安全性に関するさらなる研究の道を開く。
論文 参考訳（メタデータ） (2024-08-01T21:37:10Z) - Formal and Practical Elements for the Certification of Machine Learning
Systems [0.9217021281095907]
機械学習モデルのパラメータは、手書きではなく、物理から派生したもので、データから学習されていることを示す。
その結果、要件を直接コード行にトレースすることはできず、現在のボトムアップの航空宇宙認証パラダイムを妨げることになる。
拡張性のある統計的検証器に基づいて,提案するフレームワークは,モデルに依存しないツールに依存しない。
論文 参考訳（メタデータ） (2023-10-05T00:20:59Z) - Planning for Learning Object Properties [117.27898922118946]
我々は、物体特性を象徴的な計画問題として認識するために、ニューラルネットワークを自動的に訓練する問題を定式化する。
トレーニングデータセット作成と学習プロセスを自動化するための戦略を作成するために,計画手法を使用します。
シミュレーションと実環境の両方で実験的な評価を行う。
論文 参考訳（メタデータ） (2023-01-15T09:37:55Z) - Lessons from Formally Verified Deployed Software Systems (Extended version) [65.69802414600832]
本稿は、正式に認証されたシステムを作成し、実際に使用するためにデプロイした各種のアプリケーション分野のプロジェクトについて検討する。
使用する技術、適用の形式、得られた結果、そしてソフトウェア産業が形式的な検証技術やツールの恩恵を受ける能力について示すべき教訓を考察する。
論文 参考訳（メタデータ） (2023-01-05T18:18:46Z) - Distilling Knowledge from Self-Supervised Teacher by Embedding Graph
Alignment [52.704331909850026]
我々は、自己指導型事前学習モデルから他の学生ネットワークへ知識を伝達するための新しい知識蒸留フレームワークを定式化した。
自己教師型学習におけるインスタンス識別の精神に触発され,特徴埋め込み空間におけるグラフ定式化によるインスタンスとインスタンスの関係をモデル化する。
蒸留方式は, 学生ネットワーク上での表現学習を促進するために, 自己指導型知識の伝達に柔軟に適用できる。
論文 参考訳（メタデータ） (2022-11-23T19:27:48Z) - A Survey of Machine Unlearning [56.017968863854186]
最近の規制では、要求に応じて、ユーザに関する個人情報をコンピュータシステムから削除する必要がある。
MLモデルは古いデータをよく記憶します。
機械学習に関する最近の研究は、この問題を完全に解決することはできなかった。
論文 参考訳（メタデータ） (2022-09-06T08:51:53Z) - Implementation of an Automated Learning System for Non-experts [26.776682627968476]
本稿では,YMIRと呼ばれる自動機械学習システムの実装について詳述する。
トレーニング/検証データをシステムにインポートした後、AI知識のないユーザは、データをラベル付けし、モデルをトレーニングし、単にボタンをクリックするだけでデータマイニングと評価を行うことができる。
システムのコードはGitHubにすでにリリースされている。
論文 参考訳（メタデータ） (2022-03-26T00:28:29Z) - A Practical Tutorial on Explainable AI Techniques [5.671062637797752]
このチュートリアルは、コンピュータサイエンスのバックグラウンドを持つすべての読者にとって、手書きの教科書となることを意図している。
機械学習モデルの直感的な洞察を得ることを目標としている。
論文 参考訳（メタデータ） (2021-11-13T17:47:31Z) - The Care Label Concept: A Certification Suite for Trustworthy and
Resource-Aware Machine Learning [5.684803689061448]
機械学習アプリケーションがユビキタスになった。これにより、マシンラーニングを信頼できるものにするための努力が増えた。
メソッドや学習モデルを理解するために時間を費やしたくない人のために、ケアラベルを提供しています。
ケアラベルは、保証が保持されているかどうかをテストする認定スイートの結果です。
論文 参考訳（メタデータ） (2021-06-01T14:16:41Z) - A Review of Formal Methods applied to Machine Learning [0.6853165736531939]
機械学習システムの検証の新たな分野に適用される最先端の形式的手法を検討します。
我々はまず,安全クリティカルな分野であるavionic softwareにおいて確立された形式的手法とその現状を思い出す。
次に、機械学習のためにこれまでに開発された形式的手法を包括的かつ詳細にレビューし、その強みと限界を強調します。
論文 参考訳（メタデータ） (2021-04-06T12:48:17Z) - Explainable Active Learning (XAL): An Empirical Study of How Local
Explanations Impact Annotator Experience [76.9910678786031]
本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。
本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
論文 参考訳（メタデータ） (2020-01-24T22:52:18Z)
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。