論文の概要: Can Machine Learning be Moral?

• arxiv url: http://arxiv.org/abs/2201.06921v1
• Date: Mon, 13 Dec 2021 07:20:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-04 16:14:46.743191
• Title: Can Machine Learning be Moral?
• Title（参考訳）: 機械学習はモラルか?
• Authors: Miguel Sicart, Irina Shklovski, Mirabelle Jones
• Abstract要約: 複数の社会的文脈における機械学習システムの展開は、これらのシステムの設計、開発、応用に関するより深い倫理的な精査をもたらした。 多くの議論を悩ませている重要な問題は、倫理的に説明可能な機械学習システムを構成するものなのだ。 我々の根本的提案は、教師あり学習が倫理的に保護可能な唯一の機械学習手法であるように見えることである。
• 参考スコア（独自算出の注目度）: 5.911540700785974
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The ethics of Machine Learning has become an unavoidable topic in the AI Community. The deployment of machine learning systems in multiple social contexts has resulted in a closer ethical scrutiny of the design, development, and application of these systems. The AI/ML community has come to terms with the imperative to think about the ethical implications of machine learning, not only as a product but also as a practice (Birhane, 2021; Shen et al. 2021). The critical question that is troubling many debates is what can constitute an ethically accountable machine learning system. In this paper we explore possibilities for ethical evaluation of machine learning methodologies. We scrutinize techniques, methods and technical practices in machine learning from a relational ethics perspective, taking into consideration how machine learning systems are part of the world and how they relate to different forms of agency. Taking a page from Phil Agre (1997) we use the notion of a critical technical practice as a means of analysis of machine learning approaches. Our radical proposal is that supervised learning appears to be the only machine learning method that is ethically defensible.
• Abstract（参考訳）: 機械学習の倫理はAIコミュニティでは避けられないトピックになっている。 複数の社会的文脈における機械学習システムの展開は、これらのシステムの設計、開発、応用をより倫理的に調査する結果となった。 AI/MLコミュニティは、製品としてだけでなく、実践としても、機械学習の倫理的意味について考える義務を負うようになった(Birhane, 2021; Shen et al. 2021)。 多くの議論を悩ませている重要な問題は、倫理的に説明可能な機械学習システムを構成するものなのだ。 本稿では,機械学習手法の倫理的評価の可能性を検討する。 我々は、リレーショナル倫理の観点から、機械学習の技法、手法、技術実践を精査し、機械学習システムが世界の一部であり、それらが異なる形態のエージェンシーとどのように関係しているかを考察する。 phil agre氏のページ(1997年)では、機械学習アプローチの分析手段として、重要な技術的プラクティスの概念を用いています。 我々の根本的提案は、教師あり学習が倫理的に保護可能な唯一の機械学習手法であるように見えることである。

関連論文リスト

• Reinforcement Learning and Machine ethics:a systematic review [1.474723404975345]
  本稿では,強化学習における機械倫理と機械倫理のための強化学習の体系的レビューを行う。 我々は、倫理的行動をもたらすために使用される倫理的仕様、強化学習の構成要素と枠組み、環境の傾向を強調した。 本研究の体系的レビューは,機械倫理学と強化学習の融合をめざして,機械倫理の状況のギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2024-07-02T16:54:00Z)
• Application-Driven Innovation in Machine Learning [56.85396167616353]
  機械学習におけるアプリケーション駆動研究のパラダイムについて述べる。 このアプローチがメソッド駆動の作業と生産的に相乗効果を示す。 このようなメリットにもかかわらず、マシンラーニングにおけるレビュー、採用、教育のプラクティスが、アプリケーション主導のイノベーションを後押しすることが多いことに気付きます。
  論文  参考訳（メタデータ） (2024-03-26T04:59:27Z)
• AI, Meet Human: Learning Paradigms for Hybrid Decision Making Systems [4.936180840622583]
  人間は現在、機械学習ベースのシステムと常に対話し、毎日モデルをトレーニングし、使用しています。 コンピュータサイエンス文学におけるいくつかの異なる技術は、人間の機械学習システムとの相互作用を説明するが、その分類は小さく、目的は様々である。 本調査では,現代コンピュータ科学文献が人間と機械の相互作用をどのようにモデル化しているかを理解するための概念的および技術的枠組みを提供するハイブリッド意思決定システムの分類法を提案する。
  論文  参考訳（メタデータ） (2024-02-09T09:54:01Z)
• From Machine Learning to Robotics: Challenges and Opportunities for Embodied Intelligence [113.06484656032978]
  記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。 私たちは、インテリジェンスを具体化するための課題と機会を強調します。 本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
  論文  参考訳（メタデータ） (2021-10-28T16:04:01Z)
• Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
  機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。 ディープラーニングは、独自の機械学習のサブフィールドになっている。 生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
  論文  参考訳（メタデータ） (2021-05-29T21:02:44Z)
• 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 Review of Formal Methods applied to Machine Learning [0.6853165736531939]
  機械学習システムの検証の新たな分野に適用される最先端の形式的手法を検討します。 我々はまず,安全クリティカルな分野であるavionic softwareにおいて確立された形式的手法とその現状を思い出す。 次に、機械学習のためにこれまでに開発された形式的手法を包括的かつ詳細にレビューし、その強みと限界を強調します。
  論文  参考訳（メタデータ） (2021-04-06T12:48:17Z)
• Intuitiveness in Active Teaching [7.8029610421817654]
  我々は,ユーザが積極的に教えるアルゴリズムの直感性を解析する。 我々は人間と機械の相互作用の有効性を判断する体系的な方法を提案する。
  論文  参考訳（メタデータ） (2020-12-25T09:31:56Z)
• Symbolic AI for XAI: Evaluating LFIT Inductive Programming for Fair and Explainable Automatic Recruitment [11.460075612587591]
  我々は,与えられたブラックボックスシステムと同等の命題論理理論を学習するICP手法を提案する。 本稿では,この問題に対するLFITの表現性を示し,他の領域に適用可能なスキームを提案する。
  論文  参考訳（メタデータ） (2020-12-01T09:36:59Z)
• Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
  ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。 ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。 本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
  論文  参考訳（メタデータ） (2020-05-27T11:56:56Z)
• Explainable Active Learning (XAL): An Empirical Study of How Local Explanations Impact Annotator Experience [76.9910678786031]
  本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。 本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
  論文  参考訳（メタデータ） (2020-01-24T22:52:18Z)

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。

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。