論文の概要: Open challenges for Machine Learning based Early Decision-Making research

• arxiv url: http://arxiv.org/abs/2204.13111v1
• Date: Wed, 27 Apr 2022 14:46:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-30 07:25:01.134980
• Title: Open challenges for Machine Learning based Early Decision-Making research
• Title（参考訳）: 機械学習による早期意思決定研究の課題
• Authors: Alexis Bondu, Youssef Achenchabe, Albert Bifet, Fabrice Cl\'erot, Antoine Cornu\'ejols, Joao Gama, Georges H\'ebrail, Vincent Lemaire, Pierre-Fran\c{c}ois Marteau
• Abstract要約: 本稿では、機械学習に基づく早期意思決定(ML-EDM)と呼ばれる、より一般的な問題を紹介する。 ML-EDM問題の定義後、この分野のさらなる研究のために10の課題が特定され、科学コミュニティに提案される。
• 参考スコア（独自算出の注目度）: 6.579675360481332
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: More and more applications require early decisions, i.e. taken as soon as possible from partially observed data. However, the later a decision is made, the more its accuracy tends to improve, since the description of the problem to hand is enriched over time. Such a compromise between the earliness and the accuracy of decisions has been particularly studied in the field of Early Time Series Classification. This paper introduces a more general problem, called Machine Learning based Early Decision Making (ML-EDM), which consists in optimizing the decision times of models in a wide range of settings where data is collected over time. After defining the ML-EDM problem, ten challenges are identified and proposed to the scientific community to further research in this area. These challenges open important application perspectives, discussed in this paper.
• Abstract（参考訳）: より多くのアプリケーションが早期決定を必要としており、つまり、部分的に観測されたデータからできるだけ早く取り除かれる。 しかし、後に決定が下されるほど、手書きの問題の記述が時間とともに豊かになるため、精度が向上する傾向にある。 このようなアールネスと決定の正確さの妥協は、初期の時系列分類の分野において特に研究されてきた。 本稿では,機械学習に基づく早期意思決定(ml-edm)と呼ばれる,より一般的な問題を提案する。 ML-EDM問題の定義後、この分野のさらなる研究のために10の課題を特定し、科学コミュニティに提案する。 これらの課題は、本論文で論じた、重要なアプリケーション視点を開放する。

関連論文リスト

• MR-Ben: A Meta-Reasoning Benchmark for Evaluating System-2 Thinking in LLMs [55.20845457594977]
  大規模言語モデル(LLM)は、問題解決と意思決定の能力の向上を示している。 本稿ではメタ推論技術を必要とするプロセスベースのベンチマークMR-Benを提案する。 メタ推論のパラダイムは,システム2のスロー思考に特に適しています。
  論文  参考訳（メタデータ） (2024-06-20T03:50:23Z)
• Towards detecting unanticipated bias in Large Language Models [1.4589372436314496]
  LLM(Large Language Models)は、従来の機械学習システムと同様の公平性問題を示す。 本研究は、トレーニングデータにおけるバイアスの分析と定量化と、それらのモデルの決定に対する影響に焦点を当てる。
  論文  参考訳（メタデータ） (2024-04-03T11:25:20Z)
• Machine Unlearning for Traditional Models and Large Language Models: A Short Survey [11.539080008361662]
  機械学習は、データを削除し、ユーザーの要求に応じてモデルへの影響を減らすことを目的としている。 本稿では,従来のモデルとLarge Language Models(LLMs)の両方の非学習を分類し,検討する。
  論文  参考訳（メタデータ） (2024-04-01T16:08:18Z)
• Admission Prediction in Undergraduate Applications: an Interpretable Deep Learning Approach [0.6906005491572401]
  本稿は,受験委員会の学部受験決定を検証することの課題について論じる。 本稿では、フィードフォワードと入力凸ニューラルネットワークというディープラーニングに基づく分類手法を提案する。 私たちのモデルは、従来の機械学習ベースのアプローチで最高のパフォーマンスを保ちながら、3.03%のマージンで高い精度を実現しています。
  論文  参考訳（メタデータ） (2024-01-22T05:44:43Z)
• Reinforcement Learning in System Identification [0.0]
  システム識別は、学習前方モデル、伝達関数、システムダイナミクスなどとも呼ばれるが、科学と工学の両方において長い伝統がある。 ここでは、この問題における強化学習の利用について考察する。 本稿では,この問題が強化学習問題として自然と音にどのように適合するかを詳述し,RLがこのような問題を解決する上で有望な手法であることを実証する実験結果を示す。
  論文  参考訳（メタデータ） (2022-12-14T09:20:42Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• Provable Reinforcement Learning with a Short-Term Memory [68.00677878812908]
  我々はPMDPsの新しいサブクラスについて研究し、その潜在状態は、最近の短い長さ$m$の履歴によって復号化することができる。 特に、リッチ・オブザーブレーション・セッティングにおいて、指数関数的にスケールするサンプル複雑性を持つ新しい「モーメントマッチング」アプローチを用いて、新しいアルゴリズムを開発する。 以上の結果から,これらの環境下での強化学習には短期記憶が十分であることが示唆された。
  論文  参考訳（メタデータ） (2022-02-08T16:39:57Z)
• Early and Revocable Time Series Classification [0.028675177318965035]
  本稿では,早期・無効な時系列分類という新しい問題を紹介する。 コストベースの新しいフレームワークを提案し、そこから2つの新しいアプローチを導出する。 取り消し決定の能力は、取り消し不能な体制よりもパフォーマンスを著しく向上させる。
  論文  参考訳（メタデータ） (2021-09-21T16:09:11Z)
• Regret Analysis in Deterministic Reinforcement Learning [78.31410227443102]
  本稿では,最適学習アルゴリズムの分析と設計の中心となる後悔の問題を考察する。 本稿では,システムパラメータに明示的に依存する対数問題固有の後悔の下位境界について述べる。
  論文  参考訳（メタデータ） (2021-06-27T23:41:57Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)
• Meta Cyclical Annealing Schedule: A Simple Approach to Avoiding Meta-Amortization Error [50.83356836818667]
  循環型アニーリングスケジュールとMMD基準を用いた新しいメタレギュラー化目標を構築した。 実験の結果,本手法は標準的なメタ学習アルゴリズムよりもかなり優れていることがわかった。
  論文  参考訳（メタデータ） (2020-03-04T04:43:16Z)

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。