論文の概要: Satellite Image and Machine Learning based Knowledge Extraction in the Poverty and Welfare Domain

• arxiv url: http://arxiv.org/abs/2203.01068v1
• Date: Wed, 2 Mar 2022 12:38:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-03 16:08:43.740069
• Title: Satellite Image and Machine Learning based Knowledge Extraction in the Poverty and Welfare Domain
• Title（参考訳）: 貧困・福祉領域における衛星画像と機械学習に基づく知識抽出
• Authors: Ola Hall, Mattias Ohlsson and Thortseinn R\"ognvaldsson
• Abstract要約: この文脈に関連する3つの中核要素である透明性、解釈可能性、説明可能性に焦点を当てた文献をレビューする。 本研究の広汎な普及と受容を支援するためには説明責任が不可欠である,と我々は主張する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent advances in artificial intelligence and machine learning have created a step change in how to measure human development indicators, in particular asset based poverty. The combination of satellite imagery and machine learning has the capability to estimate poverty at a level similar to what is achieved with workhorse methods such as face-to-face interviews and household surveys. An increasingly important issue beyond static estimations is whether this technology can contribute to scientific discovery and consequently new knowledge in the poverty and welfare domain. A foundation for achieving scientific insights is domain knowledge, which in turn translates into explainability and scientific consistency. We review the literature focusing on three core elements relevant in this context: transparency, interpretability, and explainability and investigate how they relates to the poverty, machine learning and satellite imagery nexus. Our review of the field shows that the status of the three core elements of explainable machine learning (transparency, interpretability and domain knowledge) is varied and does not completely fulfill the requirements set up for scientific insights and discoveries. We argue that explainability is essential to support wider dissemination and acceptance of this research, and explainability means more than just interpretability.
• Abstract（参考訳）: 人工知能と機械学習の最近の進歩は、人間開発指標、特に資産ベースの貧困を測定する方法の段階的な変化を生み出した。 衛星画像と機械学習の組み合わせは、対面インタビューや家庭調査のようなワークホース手法で達成されるのと同じようなレベルで貧困を見積もる能力を持っている。 静的推定を超えた重要な問題は、この技術が科学的な発見に寄与し、貧困と福祉分野における新たな知識をもたらすかどうかである。 科学的洞察を得るための基礎はドメイン知識であり、それが説明可能性と科学的一貫性に変換される。 我々は,この文脈において,透明性,解釈可能性,説明可能性という3つの要素に注目した文献をレビューし,貧困,機械学習,衛星画像nexusとの関連性について検討する。 この分野のレビューは、説明可能な機械学習(トランスペアレンス、解釈可能性、ドメイン知識)の3つのコア要素の状況が多様であり、科学的洞察と発見のために設定された要件を完全に満たしていないことを示している。 我々は,本研究の広く普及と受容を支援するために説明可能性の重要性を論じる。

関連論文リスト

• Fairness and Bias Mitigation in Computer Vision: A Survey [61.01658257223365]
  コンピュータビジョンシステムは、高精細な現実世界のアプリケーションにますますデプロイされている。 歴史的または人為的なデータにおいて差別的な傾向を伝播または増幅しないことを確実にする必要がある。 本稿では,コンピュータビジョンの文脈における現在進行中の傾向と成功をまとめた,公平性に関する総合的な調査を行う。
  論文  参考訳（メタデータ） (2024-08-05T13:44:22Z)
• Towards a Benchmark for Scientific Understanding in Humans and Machines [2.714583452862024]
  本稿では,科学哲学のツールを活用した科学的理解のためのベンチマークを作成するためのフレームワークを提案する。 我々は、真の理解を特定のタスクを実行する能力として認識すべき行動概念を採用する。
  論文  参考訳（メタデータ） (2023-04-20T14:05:53Z)
• Mind the Gap! Bridging Explainable Artificial Intelligence and Human Understanding with Luhmann's Functional Theory of Communication [5.742215677251865]
  我々は、説明可能な人工知能の課題を強調するために、社会システム理論を適用した。 我々は,インタラクティブかつ反復的な説明者の方向性で技術研究を再活性化することを目的としている。
  論文  参考訳（メタデータ） (2023-02-07T13:31:02Z)
• Beyond Interpretable Benchmarks: Contextual Learning through Cognitive and Multimodal Perception [0.0]
  この研究は、チューリングテストがコンピュータシステムを人為的に形作る試みであると誤解されていることを主張する。 通訳性に欠けるにもかかわらず、汎用知能の基盤として暗黙の学習を強調している。
  論文  参考訳（メタデータ） (2022-12-04T08:30:04Z)
• Explainability Is in the Mind of the Beholder: Establishing the Foundations of Explainable Artificial Intelligence [11.472707084860875]
  我々は、背景知識に基づいて解釈された透明な洞察(ブラックボックス)に適用する(論理的)推論として説明可能性を定義する。 我々は、透明性と予測力のトレードオフを再考し、アンテホックやポストホックの解説者への影響について述べる。 我々は、人間中心の説明可能性からさまざまなアイデアに基づいて、解釈可能性を必要とするかもしれない機械学習ワークフローのコンポーネントについて論じる。
  論文  参考訳（メタデータ） (2021-12-29T09:21:33Z)
• Scientia Potentia Est -- On the Role of Knowledge in Computational Argumentation [52.903665881174845]
  本稿では,計算議論に必要な知識のピラミッドを提案する。 この分野におけるこれらのタイプの役割と統合について,その技術の現状を簡潔に論じる。
  論文  参考訳（メタデータ） (2021-07-01T08:12:41Z)
• Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
  機械学習の研究は転換点にある。 研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。 このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
  論文  参考訳（メタデータ） (2020-12-21T15:07:19Z)
• A Data-Driven Study of Commonsense Knowledge using the ConceptNet Knowledge Base [8.591839265985412]
  汎用人工知能(AI)の実現における重要なフロンティアとして,コモンセンス知識と推論の獲得が認められている。 本稿では,コンセプションネットの知識基盤を実証的かつ構造的に分析することにより,コモンセンス知識のより深い理解を可能にする体系的な研究を提案し,実施する。 最先端の教師なしグラフ表現学習(「埋め込み」)とクラスタリング技術を用いて、慎重に設計された3つの研究課題に関する詳細な実験結果から、ConceptNet関係の深いサブ構造を明らかにする。
  論文  参考訳（メタデータ） (2020-11-28T08:08:25Z)
• Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
  本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。 具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
  論文  参考訳（メタデータ） (2020-03-09T15:04:07Z)
• Generating Interpretable Poverty Maps using Object Detection in Satellite Images [80.35540308137043]
  衛星画像に物体検出装置を適用することにより、局所レベルでの貧困を正確に予測するための解釈可能な計算手法を実証する。 対象物の重み付けを特徴として、ウガンダの村レベルの貧困を予測する0.539 Pearson's r2を達成し、既存の(解釈不可能でない)ベンチマークよりも31%改善した。
  論文  参考訳（メタデータ） (2020-02-05T02:50:01Z)
• A Review on Intelligent Object Perception Methods Combining Knowledge-based Reasoning and Machine Learning [60.335974351919816]
  物体知覚はコンピュータビジョンの基本的なサブフィールドである。 最近の研究は、物体の視覚的解釈のインテリジェンスレベルを拡大するために、知識工学を統合する方法を模索している。
  論文  参考訳（メタデータ） (2019-12-26T13:26:49Z)

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。