論文の概要: Symphony: Composing Interactive Interfaces for Machine Learning
- arxiv url: http://arxiv.org/abs/2202.08946v1
- Date: Fri, 18 Feb 2022 00:27:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-21 22:10:11.832496
- Title: Symphony: Composing Interactive Interfaces for Machine Learning
- Title(参考訳): symphony: 機械学習のためのインタラクティブインターフェースの作成
- Authors: Alex B\"auerle, \'Angel Alexander Cabrera, Fred Hohman, Megan Maher,
David Koski, Xavier Suau, Titus Barik, Dominik Moritz
- Abstract要約: Symphonyは、タスク固有のデータ駆動コンポーネントと対話型MLインターフェースを構成するためのフレームワークである。
我々は10チーム(n=31)の参加型デザインセッションを通じてSymphonyを開発した。
- 参考スコア(独自算出の注目度): 15.322027013779689
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Interfaces for machine learning (ML), information and visualizations about
models or data, can help practitioners build robust and responsible ML systems.
Despite their benefits, recent studies of ML teams and our interviews with
practitioners (n=9) showed that ML interfaces have limited adoption in
practice. While existing ML interfaces are effective for specific tasks, they
are not designed to be reused, explored, and shared by multiple stakeholders in
cross-functional teams. To enable analysis and communication between different
ML practitioners, we designed and implemented Symphony, a framework for
composing interactive ML interfaces with task-specific, data-driven components
that can be used across platforms such as computational notebooks and web
dashboards. We developed Symphony through participatory design sessions with 10
teams (n=31), and discuss our findings from deploying Symphony to 3 production
ML projects at Apple. Symphony helped ML practitioners discover previously
unknown issues like data duplicates and blind spots in models while enabling
them to share insights with other stakeholders.
- Abstract(参考訳): 機械学習(ML)、モデルやデータに関する情報と視覚化のためのインターフェースは、実践者が堅牢で責任あるMLシステムを構築するのに役立つ。
これらのメリットにもかかわらず、MLチームの最近の研究と実践者へのインタビュー(n=9)は、MLインターフェースが実際に採用されることに制限があることを示しました。
既存のMLインターフェースは特定のタスクに有効だが、クロスファンクショナルチームの複数のステークホルダーによって再利用、探索、共有されるように設計されていない。
さまざまなML実践者間の分析とコミュニケーションを可能にするために,計算ノートやWebダッシュボードなどのプラットフォームで使用可能な,タスク固有のデータ駆動コンポーネントを備えたインタラクティブMLインターフェースを構築するためのフレームワークであるSymphonyを設計,実装した。
10チーム(n=31)による参加型設計セッションを通じて交響曲を開発した結果,appleにおける3つの製品mlプロジェクトへの交響曲のデプロイから得られた知見について考察した。
Symphonyは、ML実践者がモデルの重複や盲点などの既知の問題を発見しながら、他のステークホルダと洞察を共有するのに役立つ。
関連論文リスト
- Generative Cross-Modal Retrieval: Memorizing Images in Multimodal
Language Models for Retrieval and Beyond [99.73306923465424]
画像表現にユニークな識別子文字列を割り当てる生成的クロスモーダル検索フレームワークを提案する。
MLLMのイメージを記憶することで,従来の差別的アプローチとは異なる,クロスモーダル検索の新しいパラダイムを導入する。
論文 参考訳(メタデータ) (2024-02-16T16:31:46Z) - ML-Bench: Large Language Models Leverage Open-source Libraries for
Machine Learning Tasks [75.12666425091702]
大規模な言語モデルは、コード生成ベンチマークで有望なパフォーマンスを示している。
この研究は、LLMがオープンソースのライブラリを使用して機械学習タスクを終了する、新たな評価設定を提案することを目的としている。
論文 参考訳(メタデータ) (2023-11-16T12:03:21Z) - Octavius: Mitigating Task Interference in MLLMs via LoRA-MoE [85.76186554492543]
LLM(Large Language Models)は、命令チューニングを通じて、ゼロショット能力をマルチモーダル学習に拡張することができる。
ネガティブな対立や干渉は パフォーマンスに悪影響を及ぼすかもしれない
我々は,MLLMを用いたマルチモーダル学習に関する総合的な研究と実験を行うための,Octaviusと呼ばれる新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-11-05T15:48:29Z) - Eliciting Model Steering Interactions from Users via Data and Visual
Design Probes [8.45602005745865]
ドメインの専門家は、機械学習(ML)モデルを作業に組み込むために、自動化データサイエンスツールをますます活用しています。
これらの専門家にとって、セマンティックなインタラクションは、技術的な詳細を掘り下げることなく、MLモデルをガイドし、洗練するためのアクセス可能な道を提供することができる。
本研究では,MLの専門知識を持つ専門家が意味的相互作用を用いて,単純な分類モデルを更新する方法について検討する。
論文 参考訳(メタデータ) (2023-10-12T20:34:02Z) - Many or Few Samples? Comparing Transfer, Contrastive and Meta-Learning
in Encrypted Traffic Classification [68.19713459228369]
我々は、トランスファーラーニング、メタラーニング、コントラストラーニングを、参照機械学習(ML)ツリーベースおよびモノリシックDLモデルと比較する。
i) 大規模なデータセットを用いて,より一般的な表現を得られること,(ii) コントラスト学習が最良の手法であることを示している。
MLツリーベースでは大きなタスクは処理できないが、学習した表現を再利用することで、小さなタスクにも適合するが、DLメソッドはツリーベースモデルのパフォーマンスにも到達している。
論文 参考訳(メタデータ) (2023-05-21T11:20:49Z) - ExeKGLib: Knowledge Graphs-Empowered Machine Learning Analytics [6.739841914490015]
ExeKGLibは、最小限の機械学習知識を持つユーザがMLパイプラインを構築することができるPythonライブラリです。
ExeKGLibの使用例を示し、その利点を示すために従来のMLコードと比較する。
論文 参考訳(メタデータ) (2023-05-04T16:10:22Z) - XRBench: An Extended Reality (XR) Machine Learning Benchmark Suite for
the Metaverse [18.12263246913058]
メタバースユースケースをサポートするために拡張現実(XR)のようなアプリケーション分野では、リアルタイムマルチタスクマルチモデル(MTMM)ワークロードが出現している。
これらのワークロードは、ユーザインタラクションと計算に複雑な機械学習(ML)アクティビティを組み合わせる。
これらのワークロードには、固有の困難と制約がある。
論文 参考訳(メタデータ) (2022-11-16T05:08:42Z) - MDE for Machine Learning-Enabled Software Systems: A Case Study and
Comparison of MontiAnna & ML-Quadrat [5.839906946900443]
我々は,モノのインターネット(IoT)分野に着目した機械学習対応ソフトウェアシステムの開発に,MDEパラダイムを採用することを提案する。
ケーススタディで実証されたように、最先端のオープンソースモデリングツールであるMontiAnnaとML-Quadratが、この目的のためにどのように使用できるかを説明します。
論文 参考訳(メタデータ) (2022-09-15T13:21:16Z) - OmniXAI: A Library for Explainable AI [98.07381528393245]
eXplainable AI(XAI)のオープンソースPythonライブラリであるOmniXAIを紹介する。
オールニウェイで説明可能なAI機能と、さまざまな解釈可能な機械学習技術を提供する。
実践者にとってこのライブラリは、アプリケーションの説明を生成するために、使いやすく統合されたインターフェースを提供する。
論文 参考訳(メタデータ) (2022-06-01T11:35:37Z) - Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。
また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
論文 参考訳(メタデータ) (2021-08-17T17:44:38Z) - Declarative Machine Learning Systems [7.5717114708721045]
機械学習(ML)は、学術的な取り組みから、コンピューティングのほぼすべての側面で採用されている普及した技術へと移行してきた。
近年の自然科学におけるMLの適用の成功により、MLは人類が直面する最も困難な現実世界問題に対処するために利用できることが明らかとなった。
MLシステムの次の波は、おそらくコーディングスキルなしで、より多くの人が同じタスクを実行できると信じています。
論文 参考訳(メタデータ) (2021-07-16T23:57:57Z)
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。