論文の概要: The Values Encoded in Machine Learning Research
- arxiv url: http://arxiv.org/abs/2106.15590v1
- Date: Tue, 29 Jun 2021 17:24:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-30 15:36:21.320482
- Title: The Values Encoded in Machine Learning Research
- Title（参考訳）: 機械学習研究における価値
- Authors: Abeba Birhane, Pratyusha Kalluri, Dallas Card, William Agnew, Ravit
Dotan, Michelle Bao
- Abstract要約: 初回会議、ICML、NeurIPSで発表された100の高度に引用された機械学習論文を分析した。
機械学習の研究で上げられた67の値を特定します。
高度に引用された論文とハイテク企業、エリート大学の間には、ますます密接な関係がある。
- 参考スコア（独自算出の注目度）: 6.11644847221881
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Machine learning (ML) currently exerts an outsized influence on the world,
increasingly affecting communities and institutional practices. It is therefore
critical that we question vague conceptions of the field as value-neutral or
universally beneficial, and investigate what specific values the field is
advancing. In this paper, we present a rigorous examination of the values of
the field by quantitatively and qualitatively analyzing 100 highly cited ML
papers published at premier ML conferences, ICML and NeurIPS. We annotate key
features of papers which reveal their values: how they justify their choice of
project, which aspects they uplift, their consideration of potential negative
consequences, and their institutional affiliations and funding sources. We find
that societal needs are typically very loosely connected to the choice of
project, if mentioned at all, and that consideration of negative consequences
is extremely rare. We identify 67 values that are uplifted in machine learning
research, and, of these, we find that papers most frequently justify and assess
themselves based on performance, generalization, efficiency, researcher
understanding, novelty, and building on previous work. We present extensive
textual evidence and analysis of how these values are operationalized. Notably,
we find that each of these top values is currently being defined and applied
with assumptions and implications generally supporting the centralization of
power. Finally, we find increasingly close ties between these highly cited
papers and tech companies and elite universities.
- Abstract（参考訳）: 機械学習(ML)は現在、世界に大きな影響を与え、コミュニティや機関の実践に影響を与えている。
したがって、フィールドの曖昧な概念を価値中立的あるいは普遍的に有益として疑問視し、フィールドが進展している特定の値を調べることは重要である。
本稿では,初回MLカンファレンス,ICML,NeurIPSで発行された100の高度に引用されたML論文を定量的に定性的に分析することにより,フィールドの価値の厳密な検証を行う。
我々は、彼らの価値を明らかにする論文の重要な特徴として、プロジェクトの選択を正当化する方法、どの側面を隆起させるか、潜在的なネガティブな結果に対する考慮、制度的なアフィリエイトや資金源などを挙げる。
社会的なニーズは一般的にプロジェクトの選択と非常にゆるく結びついていますが、否定的な結果に対する考慮は極めて稀です。
機械学習の研究で浮き彫りになった67の値を特定し、その中で最も論文は、パフォーマンス、一般化、効率、研究者の理解、ノベルティ、そして過去の研究に基づいて自らを正当化し評価することを発見した。
我々は,これらの値の操作方法に関する広範な文書的証拠と分析を行う。
特に、これらの上位値は現在定義されており、一般的にパワーの集中化を支持する仮定や含意で適用されている。
そして最後に、これらの高度に引用された論文とハイテク企業とエリート大学の間には、ますます密接な関係がある。
関連論文リスト
- RelevAI-Reviewer: A Benchmark on AI Reviewers for Survey Paper Relevance [0.8089605035945486]
本稿では,調査論文レビューの課題を分類問題として概念化するシステムであるRelevAI-Reviewerを提案する。
25,164のインスタンスからなる新しいデータセットを導入する。各インスタンスには1つのプロンプトと4つの候補論文があり、それぞれがプロンプトに関連している。
我々は,各論文の関連性を判断し,最も関連性の高い論文を識別できる機械学習(ML)モデルを開発した。
論文 参考訳（メタデータ） (2024-06-13T06:42:32Z) - Responsible AI Considerations in Text Summarization Research: A Review
of Current Practices [89.85174013619883]
私たちは、責任あるAIコミュニティがほとんど見落としている共通のNLPタスクである、テキスト要約に重点を置いています。
我々は,2020-2022年に出版されたACLアンソロジーから333の要約論文の多段階的質的分析を行った。
私たちは、どの、どの、どの責任あるAI問題がカバーされているか、どの関係するステークホルダーが考慮されているか、そして、述べられた研究目標と実現された研究目標のミスマッチに焦点を合わせます。
論文 参考訳（メタデータ） (2023-11-18T15:35:36Z) - 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) - Fairness in Recommender Systems: Research Landscape and Future
Directions [119.67643184567623]
本稿は,近年の地域におけるフェアネスの概念と概念について概観する。
この分野での研究が現在どのように行われているのかを概観する。
全体として、最近の研究成果の分析は、ある研究のギャップを示している。
論文 参考訳（メタデータ） (2022-05-23T08:34:25Z) - The Forgotten Margins of AI Ethics [4.150076021042422]
FAccTとAIESという2つの主要なカンファレンスにおいて、過去4年間に発表されたピアレビュー論文を読み、注釈を付けました。
FAccTとAIESの論文の大半の目標はしばしば賞賛できるものだったが、従来の疎外化グループに対するAIのネガティブな影響に対する考慮は浅いままであった。
論文 参考訳（メタデータ） (2022-05-09T12:16:29Z) - Metaethical Perspectives on 'Benchmarking' AI Ethics [81.65697003067841]
ベンチマークは、人工知能(AI)研究の技術的進歩を測定するための基盤とみられている。
AIの顕著な研究領域は倫理であり、現在、ベンチマークのセットも、AIシステムの「倫理性」を測定する一般的な方法もない。
我々は、現在と将来のAIシステムのアクションを考えるとき、倫理よりも「価値」について話す方が理にかなっていると論じる。
論文 参考訳（メタデータ） (2022-04-11T14:36:39Z) - Algorithmic Fairness Datasets: the Story so Far [68.45921483094705]
データ駆動アルゴリズムは、人々の幸福に直接影響し、批判的な決定をサポートするために、さまざまな領域で研究されている。
研究者のコミュニティは、既存のアルゴリズムの株式を調査し、新しいアルゴリズムを提案し、歴史的に不利な人口に対する自動意思決定のリスクと機会の理解を深めてきた。
公正な機械学習の進歩はデータに基づいており、適切に文書化された場合にのみ適切に使用できる。
残念なことに、アルゴリズムフェアネスコミュニティは、特定のリソース(オパシティ)に関する情報の不足と利用可能な情報の分散(スパーシティ)によって引き起こされる、集合的なデータドキュメント負債に悩まされている。
論文 参考訳（メタデータ） (2022-02-03T17:25:46Z) - Affect Analysis in-the-wild: Valence-Arousal, Expressions, Action Units
and a Unified Framework [83.21732533130846]
Aff-Wild と Aff-Wild2 の2つである。
これは、これらのデータベースで訓練された深層ニューラルネットワークの2つのクラスの設計を示す。
インパクト認識を共同で学び、効果的に一般化し、実行することができる新しいマルチタスクおよび全体主義のフレームワークが提示されます。
論文 参考訳（メタデータ） (2021-03-29T17:36:20Z) - Ethical Considerations and Statistical Analysis of Industry Involvement
in Machine Learning Research [3.4773470589069473]
我々は,過去5年間の主要なMLカンファレンスであるNeurIPS,CVPR,ICMLの全論文を調査した。
私たちの統計的アプローチは、関心の対立、イノベーション、男女平等に焦点を当てています。
論文 参考訳（メタデータ） (2020-06-08T12:51:38Z) - Steps Towards Value-Aligned Systems [0.0]
AI/MLを含む)アルゴリズムによる意思決定アーティファクトは、私たちの意思決定エコシステムの確立され成長している部分です。
現在の文献は、個々のアーティファクトが社会的規範や期待にどのように違反するかの例でいっぱいです。
この議論は、社会技術システムにおける価値アライメントを評価するためのより構造化されたシステムレベルのアプローチを論じている。
論文 参考訳（メタデータ） (2020-02-10T22:47:30Z)
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。