Fugu-MT 論文翻訳(概要): Interpretable deep-learning models to help achieve the Sustainable Development Goals

論文の概要: Interpretable deep-learning models to help achieve the Sustainable Development Goals

arxiv url: http://arxiv.org/abs/2108.10744v1
Date: Tue, 24 Aug 2021 13:56:15 GMT
ステータス: 処理完了
システム内更新日: 2021-08-25 15:50:42.997576
Title: Interpretable deep-learning models to help achieve the Sustainable Development Goals
Title（参考訳）: 持続可能な開発目標を達成するための解釈可能なディープラーニングモデル
Authors: Ricardo Vinuesa, Beril Sirmacek
Abstract要約: 我々は、解釈可能な人工知能(AI)モデルに対する私たちの洞察と、倫理的AIシステムの開発におけるそれらの重要性について論じる。深層学習法から真に解釈可能なモデル、例えば帰納的バイアスによって得られた記号モデルから抽出する可能性を強調した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We discuss our insights into interpretable artificial-intelligence (AI) models, and how they are essential in the context of developing ethical AI systems, as well as data-driven solutions compliant with the Sustainable Development Goals (SDGs). We highlight the potential of extracting truly-interpretable models from deep-learning methods, for instance via symbolic models obtained through inductive biases, to ensure a sustainable development of AI.
Abstract（参考訳）: 我々は、解釈可能な人工知能(AI)モデルに対する私たちの洞察と、それが倫理的AIシステムの開発の文脈においていかに不可欠であるか、そして持続可能な開発目標(SDG)に準拠したデータ駆動ソリューションについて議論する。本稿では,インダクティブバイアスによって得られた記号モデルなどを通じて,ディープラーニング手法から真に解釈可能なモデルを抽出する可能性を強調し,aiの持続可能な発展を保証する。

関連論文リスト

Data Analysis in the Era of Generative AI [56.44807642944589]
本稿では,AIを活用したデータ分析ツールの可能性について考察する。我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
論文参考訳（メタデータ） (2024-09-27T06:31:03Z)
Explanation, Debate, Align: A Weak-to-Strong Framework for Language Model Generalization [0.6629765271909505]
本稿では,言語モデルにおける弱強一般化によるモデルアライメントの新たなアプローチを提案する。このファシリテーションに基づくアプローチは、モデルの性能を高めるだけでなく、モデルアライメントの性質に関する洞察も提供することを示唆している。
論文参考訳（メタデータ） (2024-09-11T15:16:25Z)
Explainability Paths for Sustained Artistic Practice with AI [0.0]
本研究は,生成型音声モデルの訓練と実装における研究成果から,説明可能性を向上させるためのいくつかの道を探究する。我々は、トレーニング材料よりも人事機関、小規模データセットの生存可能性、反復的創造プロセスの促進、マッピングツールとしての対話型機械学習の統合を強調した。重要なことは、これらのステップは、モデル推論中だけでなく、モデルのトレーニングフェーズ中だけでなく、トレーニングデータをキュレートおよび前処理する際にも、生成AIシステムよりも人的エージェンシーを強化することを目的としている。
論文参考訳（メタデータ） (2024-07-21T16:48:14Z)
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)
On the Challenges and Opportunities in Generative AI [135.2754367149689]
現在の大規模生成AIモデルは、ドメイン間で広く採用されるのを妨げるいくつかの基本的な問題に十分対応していない、と我々は主張する。本研究は、現代の生成型AIパラダイムにおける重要な未解決課題を特定し、その能力、汎用性、信頼性をさらに向上するために取り組まなければならない。
論文参考訳（メタデータ） (2024-02-28T15:19:33Z)
A Vision for Operationalising Diversity and Inclusion in AI [5.4897262701261225]
本研究は,AIエコシステムにおける多様性と包摂性(D&I)の倫理的命令の運用を想定することを目的とする。 AI開発における重要な課題は、D&Iの原則を効果的に運用することである。本稿では,ジェネレーティブAI(GenAI)を用いたペルソナシミュレーションを活用したツール開発のためのフレームワークの構想を提案する。
論文参考訳（メタデータ） (2023-12-11T02:44:39Z)
A Novel Neural-symbolic System under Statistical Relational Learning [50.747658038910565]
本稿では,GBPGRと呼ばれる2段階の確率的グラフィカル推論フレームワークを提案する。 GBPGRでは、シンボル推論の結果を用いて、ディープラーニングモデルによる予測を洗練し、修正する。提案手法は高い性能を示し, 帰納的タスクと帰納的タスクの両方において効果的な一般化を示す。
論文参考訳（メタデータ） (2023-09-16T09:15:37Z)
DIME: Fine-grained Interpretations of Multimodal Models via Disentangled Local Explanations [119.1953397679783]
我々は,マルチモーダルモデルの解釈における最先端化に注力する。提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
論文参考訳（メタデータ） (2022-03-03T20:52:47Z)
Sustainable Artificial Intelligence through Continual Learning [4.243356707599486]
持続的学習は、持続可能なAIの原則に準拠したシステム設計への有望なアプローチである。 Sustainable AIは倫理的応用のための一般的なデシダラタを概説しているが、継続学習はそのようなデシダラタを実践する手段を提供する。
論文参考訳（メタデータ） (2021-11-17T22:43:13Z)
Data-Driven and SE-assisted AI Model Signal-Awareness Enhancement and Introspection [61.571331422347875]
モデルの信号認識性を高めるためのデータ駆動型手法を提案する。コード複雑性のSE概念とカリキュラム学習のAIテクニックを組み合わせる。モデル信号認識における最大4.8倍の改善を実現している。
論文参考訳（メタデータ） (2021-11-10T17:58:18Z)

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。