Fugu-MT 論文翻訳(概要): Improving Learning-to-Defer Algorithms Through Fine-Tuning

論文の概要: Improving Learning-to-Defer Algorithms Through Fine-Tuning

arxiv url: http://arxiv.org/abs/2112.10768v1
Date: Sat, 18 Dec 2021 19:57:16 GMT
ステータス: 処理完了
システム内更新日: 2021-12-23 02:44:19.437702
Title: Improving Learning-to-Defer Algorithms Through Fine-Tuning
Title（参考訳）: ファインチューニングによる学習と遅延のアルゴリズムの改善
Authors: Naveen Raman, Michael Yee
Abstract要約: 特定の個人とペアを組む場合、学習と遅延のアルゴリズムを改善するために作業する。微調整は単純な人間のスキルパターンを拾うことができるが、ニュアンスには耐えられない。学習を改善するために頑健な半教師による今後の研究を提案する。
参考スコア（独自算出の注目度）: 1.066048003460524
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The ubiquity of AI leads to situations where humans and AI work together, creating the need for learning-to-defer algorithms that determine how to partition tasks between AI and humans. We work to improve learning-to-defer algorithms when paired with specific individuals by incorporating two fine-tuning algorithms and testing their efficacy using both synthetic and image datasets. We find that fine-tuning can pick up on simple human skill patterns, but struggles with nuance, and we suggest future work that uses robust semi-supervised to improve learning.
Abstract（参考訳）: ユビキタスなAIは、人間とAIが一緒に働く状況につながり、AIと人間のタスクを分割する方法を決定するアルゴリズムを学習する必要性を生み出します。 2つの微調整アルゴリズムを組み込んで、合成データと画像データセットの両方を用いて有効性をテストすることにより、特定の個人とペアリングした場合の学習・防御アルゴリズムの改善に取り組んでいる。私たちは、微調整は単純な人間のスキルパターンを拾い上げることができるが、ニュアンスに苦しむことを見出し、学習を改善するためにロバストな半教師付き(semi-supervised)を使った将来の仕事を提案する。

関連論文リスト

Continual Learning of Numerous Tasks from Long-tail Distributions [17.706669222987273]
継続的な学習は、以前獲得した知識を維持しながら、新しいタスクを学習し、適応するモデルの開発に焦点を当てる。既存の連続学習アルゴリズムは、通常、一定の大きさの少数のタスクを伴い、現実世界の学習シナリオを正確に表現しないことがある。本稿では,従来のタスクから第2モーメントの重み付け平均を維持することで,アダムの状態を再利用する手法を提案する。提案手法は,既存のほとんどの連続学習アルゴリズムと互換性があり,少ない計算量やメモリコストで忘れを効果的に削減できることを実証する。
論文参考訳（メタデータ） (2024-04-03T13:56:33Z)
Learning to Make Adherence-Aware Advice [8.419688203654948]
本稿では,人間の従順性を考慮した逐次意思決定モデルを提案する。最適なアドバイスポリシーを学習し、重要なタイムスタンプでのみアドバイスを行う学習アルゴリズムを提供する。
論文参考訳（メタデータ） (2023-10-01T23:15:55Z)
Human-Centric Multimodal Machine Learning: Recent Advances and Testbed on AI-based Recruitment [66.91538273487379]
人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。 i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
論文参考訳（メタデータ） (2023-02-13T16:44:44Z)
Dual Algorithmic Reasoning [9.701208207491879]
本稿では,基礎となるアルゴリズム問題の双対性を利用してアルゴリズムを学習することを提案する。アルゴリズム学習における最適化問題の2つの定義を同時に学習することで、より良い学習が可能になることを実証する。次に、難易度の高い脳血管分類タスクにデプロイすることで、二元アルゴリズム推論の現実的な実用性を検証する。
論文参考訳（メタデータ） (2023-02-09T08:46:23Z)
Learning Complementary Policies for Human-AI Teams [22.13683008398939]
本稿では,効果的な行動選択のための新しい人間-AI協調のための枠組みを提案する。私たちのソリューションは、人間とAIの相補性を利用して意思決定報酬を最大化することを目的としています。
論文参考訳（メタデータ） (2023-02-06T17:22:18Z)
Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文参考訳（メタデータ） (2022-10-02T05:03:38Z)
Tree-Based Adaptive Model Learning [62.997667081978825]
我々はKearns-Vazirani学習アルゴリズムを拡張し、時間とともに変化するシステムを扱う。本稿では,学習前の動作を再利用し,更新し,LearnerLibライブラリに実装し,大規模な実例で評価する学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-08-31T21:24:22Z)
Divide & Conquer Imitation Learning [75.31752559017978]
模倣学習は学習プロセスをブートストラップするための強力なアプローチである。本稿では,専門的軌道の状態から複雑なロボットタスクを模倣する新しいアルゴリズムを提案する。提案手法は,非ホロノミックナビゲーションタスクを模倣し,非常に高いサンプル効率で複雑なロボット操作タスクにスケールすることを示す。
論文参考訳（メタデータ） (2022-04-15T09:56:50Z)
Towards Explainable Artificial Intelligence in Banking and Financial Services [0.0]
説明可能な人工知能(XAI)の手法とツールを用いた最近の研究を研究・分析する。我々は,高レベルの学習性能を維持しつつ,説明可能なモデルの作成を容易にする新しいXAIプロセスを導入する。我々は,アルゴリズム結果との対話を容易にするデジタルダッシュボードを開発した。
論文参考訳（メタデータ） (2021-12-14T08:02:13Z)
Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文参考訳（メタデータ） (2021-01-08T18:55:07Z)
Mastering Rate based Curriculum Learning [78.45222238426246]
学習の進行という概念には、学習者のサンプル効率の低下につながるいくつかの欠点があると主張する。本稿では,習得率の概念に基づく新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-08-14T16:34:01Z)

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。