論文の概要: Proceedings of ICML 2021 Workshop on Theoretic Foundation, Criticism,
and Application Trend of Explainable AI
- arxiv url: http://arxiv.org/abs/2107.08821v1
- Date: Fri, 16 Jul 2021 13:14:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-20 15:08:03.640848
- Title: Proceedings of ICML 2021 Workshop on Theoretic Foundation, Criticism,
and Application Trend of Explainable AI
- Title（参考訳）: icml 2021ワークショップ「theoretic foundation, criticism and application trends of explainable ai」開催報告
- Authors: Quanshi Zhang, Tian Han, Lixin Fan, Zhanxing Zhu, Hang Su, Ying Nian
Wu, Jie Ren, Hao Zhang
- Abstract要約: ICML 2021 Workshop on Theoretic Foundation, Criticism, and Application Trends of Explainable AI。
ディープニューラルネットワーク(DNN)は、コンピュータビジョン、計算言語学、AIなど、幅広い分野で大きな成功を収めたことは間違いない。
しかし、DNNの成功と敵の攻撃に対する弾力性の根底にある基本原理は依然としてほとんど失われている。
このワークショップは、XAIの範囲における理論の基礎、制限、および新しいアプリケーショントレンドに特別な関心を払っている。
- 参考スコア（独自算出の注目度）: 71.70949497737655
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This is the Proceedings of ICML 2021 Workshop on Theoretic Foundation,
Criticism, and Application Trend of Explainable AI. Deep neural networks (DNNs)
have undoubtedly brought great success to a wide range of applications in
computer vision, computational linguistics, and AI. However, foundational
principles underlying the DNNs' success and their resilience to adversarial
attacks are still largely missing. Interpreting and theorizing the internal
mechanisms of DNNs becomes a compelling yet controversial topic. This workshop
pays a special interest in theoretic foundations, limitations, and new
application trends in the scope of XAI. These issues reflect new bottlenecks in
the future development of XAI.
- Abstract（参考訳）: ICML 2021 Workshop on Theoretic Foundation, Criticism, and Application Trends of Explainable AIの成果である。
ディープニューラルネットワーク(DNN)は、コンピュータビジョン、計算言語学、AIなど、幅広い分野で大きな成功を収めたことは間違いない。
しかし、DNNの成功と敵の攻撃に対する弾力性の根底にある基本原理は依然としてほとんど失われている。
DNNの内部メカニズムの解釈と理論化は、魅力的だが議論の的となっているトピックである。
このワークショップは、XAIの範囲における理論の基礎、制限、および新しいアプリケーショントレンドに特別な関心を払っている。
これらの問題は今後の開発における新たなボトルネックを反映している。
関連論文リスト
- Converging Paradigms: The Synergy of Symbolic and Connectionist AI in LLM-Empowered Autonomous Agents [55.63497537202751]
コネクショニストと象徴的人工知能(AI)の収束を探求する記事
従来、コネクショナリストAIはニューラルネットワークにフォーカスし、シンボリックAIはシンボリック表現とロジックを強調していた。
大型言語モデル(LLM)の最近の進歩は、人間の言語をシンボルとして扱う際のコネクショナリストアーキテクチャの可能性を強調している。
論文 参考訳（メタデータ） (2024-07-11T14:00:53Z) - Position Paper: Agent AI Towards a Holistic Intelligence [53.35971598180146]
エージェントAI - 大きな基盤モデルをエージェントアクションに統合する具体的システム。
本稿では,エージェント・ファウンデーション・モデル(エージェント・ファウンデーション・モデル)を提案する。
論文 参考訳（メタデータ） (2024-02-28T16:09:56Z) - A Primer on Bayesian Neural Networks: Review and Debates [10.074350562162921]
ベイズニューラルネットワーク(BNN)は、従来のニューラルネットワークの魅力的な拡張として登場した。
このプライマーは、ニューラルネットワークとベイズ推論の基本概念を体系的に紹介する。
対象者はベイズ的手法の潜在的な背景を持つ統計学者であるが、ディープラーニングの専門知識は欠如している。
論文 参考訳（メタデータ） (2023-09-28T10:09:15Z) - A Survey on Collaborative DNN Inference for Edge Intelligence [22.691247982285432]
エッジインテリジェンス(EI)は、AI分野における最先端の方向性となる。
本稿では、EIのための4つの典型的な協調的DNN推論パラダイムを分類し、それらの特徴と鍵となる技術を分析する。
論文 参考訳（メタデータ） (2022-07-16T02:32:35Z) - Proceedings of the Artificial Intelligence for Cyber Security (AICS)
Workshop at AAAI 2022 [55.573187938617636]
ワークショップは、サイバーセキュリティの問題へのAIの適用に焦点を当てる。
サイバーシステムは大量のデータを生成し、これを効果的に活用することは人間の能力を超えます。
論文 参考訳（メタデータ） (2022-02-28T18:27:41Z) - An interdisciplinary conceptual study of Artificial Intelligence (AI)
for helping benefit-risk assessment practices: Towards a comprehensive
qualification matrix of AI programs and devices (pre-print 2020) [55.41644538483948]
本稿では,インテリジェンスの概念に対処するさまざまな分野の既存の概念を包括的に分析する。
目的は、AIシステムを評価するための共有概念や相違点を特定することである。
論文 参考訳（メタデータ） (2021-05-07T12:01:31Z) - A Survey on Understanding, Visualizations, and Explanation of Deep
Neural Networks [0.0]
理解し、信頼し、一言で言えば、ディープモデルの決定の背後にある議論を「説明」することが最重要である。
多くのアプリケーションにおいて、人工ニューラルネットワーク(DNNを含む)はブラックボックスシステムと見なされており、内部処理動作に関する十分な手がかりを提供していない。
論文 参考訳（メタデータ） (2021-02-02T22:57:22Z) - Neuroevolution in Deep Neural Networks: Current Trends and Future
Challenges [0.0]
人工深層ニューラルネットワーク(DNN)のアーキテクチャ構成と学習,あるいはトレーニングに,さまざまな手法が適用されている。
進化的アルゴリズム(EA)は、DNNの自動最適化とトレーニングのための計算可能な方法として勢いを増している。
本稿では,DNNのアーキテクチャ構成とトレーニングにEAを用いた最先端の作業について,総合的な調査,議論,評価を行う。
論文 参考訳（メタデータ） (2020-06-09T17:28:25Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z) - Towards Regulated Deep Learning [0.0]
本研究の目的は, 人工学習(AT)に注意を向けることであり, 規則的深層学習(RDL)の概念実証実装を示す仮の回答を与えることである。
本稿では,前者の概念を紹介し,以前宣言的にモデル化し,電子研究所を拡張するために用いられていた言語である$I*$を提供する。
論文 参考訳（メタデータ） (2019-12-31T00:10:50Z)
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。