論文の概要: HumanAL: Calibrating Human Matching Beyond a Single Task
- arxiv url: http://arxiv.org/abs/2205.03209v1
- Date: Fri, 6 May 2022 13:38:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-09 14:20:49.362990
- Title: HumanAL: Calibrating Human Matching Beyond a Single Task
- Title(参考訳): HumanAL: ひとつのタスクを超えて人間のマッチングを校正する
- Authors: Roee Shraga
- Abstract要約: 本研究では,提案した入力の特徴表現として使用されるアノテータの動作プロファイルを構築する。
ブラックボックス機械学習を利用することで、人間の振る舞いを考慮し、インプットを校正し、ラベル付け品質を向上させることができることを示す。
- 参考スコア(独自算出の注目度): 6.599344783327053
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work offers a novel view on the use of human input as labels,
acknowledging that humans may err. We build a behavioral profile for human
annotators which is used as a feature representation of the provided input. We
show that by utilizing black-box machine learning, we can take into account
human behavior and calibrate their input to improve the labeling quality. To
support our claims and provide a proof-of-concept, we experiment with three
different matching tasks, namely, schema matching, entity matching and text
matching. Our empirical evaluation suggests that the method can improve the
quality of gathered labels in multiple settings including cross-domain (across
different matching tasks).
- Abstract(参考訳): この研究は、人間の入力をラベルとして使用することに関する新しい見解を提供し、人間が不利になることを認めている。
我々は、入力の特徴表現として使用される人間のアノテーションに対する行動プロファイルを構築する。
ブラックボックス機械学習を利用することで、人間の行動を考慮し、その入力を校正し、ラベル品質を向上させることができることを示す。
クレームをサポートし,概念実証を提供するために,スキーママッチング,エンティティマッチング,テキストマッチングという3つの異なるマッチングタスクを実験した。
提案手法は,複数のドメイン(異なるマッチングタスク)を含む複数の設定で収集されたラベルの品質を向上させることができることを示す。
関連論文リスト
- Whose Preferences? Differences in Fairness Preferences and Their Impact on the Fairness of AI Utilizing Human Feedback [8.04095222893591]
我々は、人種、年齢、政治的スタンス、教育水準、LGBTQ+アノテーターのアイデンティティによって、公平さの選好に大きなギャップを見いだす。
また、テキストで言及された人口統計は、ユーザーがモデレーションにおいて個人の公平さをどう知覚するかに大きな影響を及ぼすことを示した。
論文 参考訳(メタデータ) (2024-06-09T19:42:25Z) - Disentangled Interaction Representation for One-Stage Human-Object
Interaction Detection [70.96299509159981]
ヒューマン・オブジェクト・インタラクション(HOI)検出は、人間中心の画像理解のコアタスクである。
最近のワンステージ手法では、対話予測に有用な画像ワイドキューの収集にトランスフォーマーデコーダを採用している。
従来の2段階の手法は、非絡み合いで説明可能な方法で相互作用特徴を構成する能力から大きな恩恵を受ける。
論文 参考訳(メタデータ) (2023-12-04T08:02:59Z) - AlignDiff: Aligning Diverse Human Preferences via Behavior-Customisable
Diffusion Model [69.12623428463573]
AlignDiffは、人間の好みを定量化し、抽象性をカバーし、拡散計画をガイドする新しいフレームワークである。
ユーザがカスタマイズした動作と正確に一致し、効率的に切り替えることができます。
選好マッチング,スイッチング,カバーにおいて,他のベースラインに比べて優れた性能を示す。
論文 参考訳(メタデータ) (2023-10-03T13:53:08Z) - Blind Image Quality Assessment via Vision-Language Correspondence: A
Multitask Learning Perspective [93.56647950778357]
ブラインド画像品質評価(BIQA)は、参照情報なしで画像品質の人間の知覚を予測する。
我々は,他のタスクからの補助的知識を活用するために,BIQAのための汎用的かつ自動化されたマルチタスク学習手法を開発した。
論文 参考訳(メタデータ) (2023-03-27T07:58:09Z) - Human-Guided Fair Classification for Natural Language Processing [9.652938946631735]
本稿では、教師なしスタイル転送とGPT-3のゼロショット機能を利用して、意味論的に類似した文を生成する方法を示す。
これらのペアの多くは、毒性分類の文脈における公正性に関する人間の直感と一致していることを確認した。
論文 参考訳(メタデータ) (2022-12-20T10:46:40Z) - PART: Pre-trained Authorship Representation Transformer [64.78260098263489]
文書を書く著者は、語彙、レジストリ、句読点、ミススペル、絵文字の使用など、テキスト内での識別情報をインプリントする。
以前の作品では、手作りのフィーチャや分類タスクを使用して著者モデルをトレーニングし、ドメイン外の著者に対するパフォーマンスの低下につながった。
セマンティクスの代わりにtextbfauthorship の埋め込みを学習するために、対照的に訓練されたモデルを提案する。
論文 参考訳(メタデータ) (2022-09-30T11:08:39Z) - Human-Object Interaction Detection via Disentangled Transformer [63.46358684341105]
本稿では,2つのサブタスクの学習を容易にするために,エンコーダとデコーダの両方をアンタングル化するDisentangled Transformerを提案する。
提案手法は,2つの公開HOIベンチマークにおいて,従来よりも大きなマージンを達成している。
論文 参考訳(メタデータ) (2022-04-20T08:15:04Z) - PoWareMatch: a Quality-aware Deep Learning Approach to Improve Human
Schema Matching [20.110234122423172]
そこで本研究では,ヒトのマッカーとしての行動に対する新たなアングルについて検討し,マッチ生成をプロセスとして研究する。
我々は、人間のマッチング決定を校正し、フィルタリングするディープラーニングメカニズムを利用するPoWareMatchを設計する。
PoWareMatchは、マッチを追加の対応で拡張するメリットを十分に予測し、高品質なマッチを生成する。
論文 参考訳(メタデータ) (2021-09-15T14:24:56Z) - Learning to Characterize Matching Experts [19.246576904646172]
我々は、提案された対応がほぼ有効であると信じられている人間である、人間のマッチングの専門家を特徴づける。
提案手法は,未熟なマーカをフィルタリングすることで,マッチング結果を改善することができることを示す。
論文 参考訳(メタデータ) (2020-12-02T14:16:38Z) - ConsNet: Learning Consistency Graph for Zero-Shot Human-Object
Interaction Detection [101.56529337489417]
画像中のHuman, Action, Object>の形のHOIインスタンスを検出・認識することを目的としたHuman-Object Interaction (HOI) Detectionの問題点を考察する。
我々は、オブジェクト、アクション、インタラクション間の多レベルコンパレンシーは、稀な、あるいは以前には見られなかったHOIのセマンティック表現を生成するための強力な手がかりであると主張している。
提案モデルでは,人-対象のペアの視覚的特徴とHOIラベルの単語埋め込みを入力とし,それらを視覚-意味的関節埋め込み空間にマッピングし,類似度を計測して検出結果を得る。
論文 参考訳(メタデータ) (2020-08-14T09:11:18Z)
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。