論文の概要: SalienTrack: providing salient information for semi-automated
self-tracking feedback with model explanations
- arxiv url: http://arxiv.org/abs/2109.10231v1
- Date: Tue, 21 Sep 2021 14:53:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-22 17:04:27.621426
- Title: SalienTrack: providing salient information for semi-automated
self-tracking feedback with model explanations
- Title（参考訳）: SalienTrack: モデル説明を用いた半自動自己追跡フィードバックのための健全な情報提供
- Authors: Yunlong Wang, Jiaying Liu, Homin Park, Jordan Schultz-McArdle,
Stephanie Rosenthal, Brian Y Lim
- Abstract要約: 我々は、いつフィードバックを提供するか、どのように提示するかを定義するセルフトラックフィードバック・サプライアンシ・フレームワークを提案する。
私たちは、ユーザーが追跡された各イベントから学習するかどうかを予測するために、機械学習モデルをトレーニングします。
自己追跡における学習可能性の意義とモデル説明可能性の追加がフィードバック体験を改善するための機会をいかに拡張するかを論じる。
- 参考スコア（独自算出の注目度）: 31.87742708229638
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-tracking can improve people's awareness of their unhealthy behaviors to
provide insights towards behavior change. Prior work has explored how
self-trackers reflect on their logged data, but it remains unclear how much
they learn from the tracking feedback, and which information is more useful.
Indeed, the feedback can still be overwhelming, and making it concise can
improve learning by increasing focus and reducing interpretation burden. We
conducted a field study of mobile food logging with two feedback modes (manual
journaling and automatic annotation of food images) and identified learning
differences regarding nutrition, assessment, behavioral, and contextual
information. We propose a Self-Tracking Feedback Saliency Framework to define
when to provide feedback, on which specific information, why those details, and
how to present them (as manual inquiry or automatic feedback). We propose
SalienTrack to implement these requirements. Using the data collected from the
user study, we trained a machine learning model to predict whether a user would
learn from each tracked event. Using explainable AI (XAI) techniques, we
identified the most salient features per instance and why they lead to positive
learning outcomes. We discuss implications for learnability in self-tracking,
and how adding model explainability expands opportunities for improving
feedback experience.
- Abstract（参考訳）: 自己追跡は、不健康な行動に対する人々の認識を改善し、行動の変化に対する洞察を与える。
これまでの研究は、セルフトラッカーがログデータをどのように反映しているかを調査してきたが、追跡フィードバックからどれだけ学習するか、どの情報がより有用かは、まだ不明だ。
実際、フィードバックは依然として圧倒的であり、簡潔にすることで集中力を高め、解釈の負担を減らすことで学習を改善することができる。
本研究は,2つのフィードバックモード(手動ジャーナリングと食品画像の自動注釈)を用いた移動食品の検層調査を行い,栄養,アセスメント,行動,文脈情報に関する学習の差異を明らかにした。
我々は,フィードバックの提供時期,情報提供時期,詳細理由,提示方法(手作業による問い合わせや自動フィードバックなど)を定義するための,自己追跡型フィードバックサラジェンシフレームワークを提案する。
これらの要件を実装するためにSaienTrackを提案する。
ユーザ調査から収集したデータを用いて,トラッキングされた各イベントからユーザが学習するかどうかを予測するマシンラーニングモデルをトレーニングした。
説明可能なAI(XAI)技術を使用して、インスタンスごとの最も健全な機能と、それがポジティブな学習結果につながる理由を特定しました。
自己追跡における学習可能性の意義とモデル説明可能性の追加がフィードバック体験を改善する機会をいかに広げるかについて議論する。
関連論文リスト
- Effects of Multimodal Explanations for Autonomous Driving on Driving Performance, Cognitive Load, Expertise, Confidence, and Trust [2.9143343479274675]
我々は、AIコーチの説明コミュニケーションが、パフォーマンス駆動専門家の指示をモデルにした影響を検証した。
結果として、AIコーチングは、初心者にパフォーマンス駆動スキルを効果的に教えることができることを示している。
効率的なHMI通信を設計する際には,効率的なモダリティに適した説明を選択すべきである。
論文 参考訳（メタデータ） (2024-01-08T19:33:57Z) - Learning by Self-Explaining [23.420673675343266]
我々は、自己説明による学習(LSX)と呼ばれる画像分類の文脈において、新しいワークフローを導入する。
LSXは、自己修復型AIと人間誘導型説明機械学習の側面を利用する。
本結果は,自己説明による学習による改善を,いくつかのレベルで示すものである。
論文 参考訳（メタデータ） (2023-09-15T13:41:57Z) - Explaining Explainability: Towards Deeper Actionable Insights into Deep
Learning through Second-order Explainability [70.60433013657693]
2階説明可能なAI(SOXAI)は、最近インスタンスレベルからデータセットレベルまで説明可能なAI(XAI)を拡張するために提案されている。
そこで本研究では,SOXAIの動作可能な洞察に基づくトレーニングセットから無関係な概念を除外することで,モデルの性能を向上させることができることを示す。
論文 参考訳（メタデータ） (2023-06-14T23:24:01Z) - Learning Transferable Pedestrian Representation from Multimodal
Information Supervision [174.5150760804929]
VAL-PATは、移動可能な表現を学習し、様々な歩行者分析タスクをマルチモーダル情報で強化する新しいフレームワークである。
まず、LUPerson-TAデータセットで事前トレーニングを行い、各画像にはテキストと属性アノテーションが含まれている。
次に、学習した表現を、人物のreID、人物属性認識、テキストベースの人物検索など、さまざまな下流タスクに転送する。
論文 参考訳（メタデータ） (2023-04-12T01:20:58Z) - Reinforcement Learning from Passive Data via Latent Intentions [86.4969514480008]
我々は、下流RLを加速する機能を学ぶために、受動的データが引き続き使用できることを示す。
我々のアプローチは、意図をモデル化することで受動的データから学習する。
実験では、クロス・エボディメント・ビデオデータやYouTubeビデオなど、さまざまな形式の受動的データから学習できることを実証した。
論文 参考訳（メタデータ） (2023-04-10T17:59:05Z) - Simulating Bandit Learning from User Feedback for Extractive Question
Answering [51.97943858898579]
教師付きデータを用いたフィードバックのシミュレーションにより,ユーザフィードバックからの学習を抽出的質問応答に適用する。
当初は少数の例でトレーニングしたシステムが,モデル予測された回答に対するユーザからのフィードバックを劇的に改善できることが示される。
論文 参考訳（メタデータ） (2022-03-18T17:47:58Z) - Learning Reward Functions from Scale Feedback [11.941038991430837]
一般的なフレームワークは、ユーザーが好む2つのロボット軌跡について反復的に質問することである。
そこで我々は,ユーザがスライダを使ってよりニュアンスな情報を提供するスケールフィードバックを提案する。
シミュレーションにおいてスライダフィードバックの利点を実証し,2つのユーザスタディにおけるアプローチの有効性を検証する。
論文 参考訳（メタデータ） (2021-10-01T09:45:18Z) - Crop-Transform-Paste: Self-Supervised Learning for Visual Tracking [137.26381337333552]
本研究では,十分なトレーニングデータを合成できるCrop-Transform-Paste演算を開発した。
オブジェクトの状態はすべての合成データで知られているので、既存のディープトラッカーは人間のアノテーションなしで日常的に訓練することができる。
論文 参考訳（メタデータ） (2021-06-21T07:40:34Z) - How Useful is Self-Supervised Pretraining for Visual Tasks? [133.1984299177874]
我々は、総合的な合成データセットと下流タスクにまたがる様々な自己教師付きアルゴリズムを評価する。
我々の実験は、利用可能なラベルの数が増えるにつれて、セルフスーパービジョンの有用性がどう変化するかについての洞察を提供する。
論文 参考訳（メタデータ） (2020-03-31T16:03:22Z)
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。