論文の概要: A Framework for Interactive Knowledge-Aided Machine Teaching
- arxiv url: http://arxiv.org/abs/2204.10357v1
- Date: Thu, 21 Apr 2022 18:30:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-25 13:27:07.662986
- Title: A Framework for Interactive Knowledge-Aided Machine Teaching
- Title(参考訳): 対話型知識支援機械教育のための枠組み
- Authors: Karan Taneja, Harshvardhan Sikka and Ashok Goel
- Abstract要約: 機械教育システムを設計するための枠組みを提案する。
我々の予備実験は、MTシステムが人間の教え時間と機械学習者の誤り率の両方を削減できることを示す。
- 参考スコア(独自算出の注目度): 1.5791732557395555
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine Teaching (MT) is an interactive process where humans train a machine
learning model by playing the role of a teacher. The process of designing an MT
system involves decisions that can impact both efficiency of human teachers and
performance of machine learners. Previous research has proposed and evaluated
specific MT systems but there is limited discussion on a general framework for
designing them. We propose a framework for designing MT systems and also detail
a system for the text classification problem as a specific instance. Our
framework focuses on three components i.e. teaching interface, machine learner,
and knowledge base; and their relations describe how each component can benefit
the others. Our preliminary experiments show how MT systems can reduce both
human teaching time and machine learner error rate.
- Abstract(参考訳): 機械指導(英: Machine Teaching、MT)とは、人間が教師の役割を演じて機械学習モデルを訓練する対話的なプロセスである。
MTシステムを設計するプロセスには、人間の教師の効率と機械学習のパフォーマンスの両方に影響を与える決定が含まれる。
従来の研究は特定のMTシステムを提案し評価してきたが、設計の一般的な枠組みについては議論が限られている。
本稿では,mtシステムを設計するためのフレームワークを提案し,テキスト分類問題を具体例として詳述する。
本フレームワークは,インターフェース,機械学習,知識ベースという3つのコンポーネントに着目し,各コンポーネントが他のコンポーネントにどのようなメリットをもたらすかを説明する。
我々の予備実験は、MTシステムが人間の教え時間と機械学習者の誤り率の両方を削減できることを示す。
関連論文リスト
- 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) - IMTLab: An Open-Source Platform for Building, Evaluating, and Diagnosing
Interactive Machine Translation Systems [94.39110258587887]
IMTLabは、オープンソースのエンドツーエンド対話型機械翻訳(IMT)システムプラットフォームである。
IMTLabは、対話的な翻訳プロセス全体を、ヒューマン・イン・ザ・ループ設定によるタスク指向の対話として扱う。
論文 参考訳(メタデータ) (2023-10-17T11:29:04Z) - Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。
このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。
各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
論文 参考訳(メタデータ) (2023-09-15T02:42:03Z) - Human-AI Interaction Design in Machine Teaching [1.5791732557395555]
本論文は,3つの構成要素(viz.,教示インターフェース,機械学習者,知識ベース)を備えたMTフレームワークの提案と,教示インターフェースの実現に関わる人間とAIのインタラクション設計に重点を置いている。
MLタスクから始まるMTシステムの開発に対処する必要がある設計上の決定について概説する。
論文 参考訳(メタデータ) (2022-06-10T15:20:05Z) - MT-Opt: Continuous Multi-Task Robotic Reinforcement Learning at Scale [103.7609761511652]
大規模集団ロボット学習システムが,行動のレパートリーを同時に獲得できることを示す。
新しいタスクは、以前学んだタスクから継続的にインスタンス化できる。
我々は,7台のロボットから収集したデータを用いて,実世界のタスク12組でシステムを訓練し,評価する。
論文 参考訳(メタデータ) (2021-04-16T16:38:02Z) - Towards Teachable Conversational Agents [9.003996147141919]
対話型インタフェースを用いて、人間教師と対話型機械学習者の相互作用を調査するアイデアを探求する。
その結果,対話型エージェントの概念を検証し,対話型インタラクションから学習しようとする機械学習システムの開発に関連する要因を明らかにする。
論文 参考訳(メタデータ) (2021-02-20T16:56:24Z) - 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) - Neural Multi-Task Learning for Teacher Question Detection in Online
Classrooms [50.19997675066203]
教師の音声記録から質問を自動的に検出するエンドツーエンドのニューラルネットワークフレームワークを構築している。
マルチタスク学習手法を取り入れることで,質問の種類によって意味的関係の理解を深めることが可能となる。
論文 参考訳(メタデータ) (2020-05-16T02:17:04Z) - SOLOIST: Building Task Bots at Scale with Transfer Learning and Machine
Teaching [81.45928589522032]
トランスフォーマーに基づく自動回帰言語モデルを用いて,モジュール型タスク指向対話システムをパラメータ化する。
タスクグラウンド応答生成モデルである異種ダイアログコーパスの事前学習を行う。
実験により、SOLOISTは、よく研究されたタスク指向のダイアログベンチマーク上で、新しい最先端のダイアログを生成する。
論文 参考訳(メタデータ) (2020-05-11T17:58:34Z) - 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。