論文の概要: Human-AI Interaction Design in Machine Teaching

• arxiv url: http://arxiv.org/abs/2206.05182v1
• Date: Fri, 10 Jun 2022 15:20:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-13 15:22:09.144945
• Title: Human-AI Interaction Design in Machine Teaching
• Title（参考訳）: 機械教育における人間-AIインタラクション設計
• Authors: Karan Taneja, Harshvardhan Sikka and Ashok Goel
• Abstract要約: 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。
• 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 a human and a machine interact with the goal of training a machine learning model (ML) for a specified task. The human teacher communicates their task expertise and the machine student gathers the required data and knowledge to produce an ML model. MT systems are developed to jointly minimize the time spent on teaching and the learner's error rate. The design of human-AI interaction in an MT system not only impacts the teaching efficiency, but also indirectly influences the ML performance by affecting the teaching quality. In this paper, we build upon our previous work where we proposed an MT framework with three components, viz., the teaching interface, the machine learner, and the knowledge base, and focus on the human-AI interaction design involved in realizing the teaching interface. We outline design decisions that need to be addressed in developing an MT system beginning from an ML task. The paper follows the Socratic method entailing a dialogue between a curious student and a wise teacher.
• Abstract（参考訳）: 機械指導(英: Machine Teaching、MT)とは、人間と機械が特定のタスクのために機械学習モデル(ML)を訓練する目的と相互作用する対話的なプロセスである。 人間の教師はタスクの専門知識を伝え、機械学習モデルを作成するために必要なデータと知識を集める。 MTシステムは,授業に費やした時間と学習者の誤り率を両立させるために開発された。 MTシステムにおける人間-AIインタラクションの設計は、学習効率に影響を及ぼすだけでなく、学習品質に影響を与えることによって間接的にMLのパフォーマンスに影響を及ぼす。 本稿では,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フレームワークを提案し,教育インタ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焦点を当てた。 MLタスクから開始するMTシステムの開発において対処すべき設計決定について概説する。 本論文は、好奇心の強い学生と賢い教師の対話を含むソクラテス的手法に従う。

関連論文リスト

• A look under the hood of the Interactive Deep Learning Enterprise (No-IDLE) [2.7719338074999538]
  No-IDLEは、非専門家の機械学習におけるインタラクティブなディープラーニングソリューションのリーチを高めることを目的としている。 この技術レポートで述べられている重要なイノベーションの1つは、対話型機械学習とマルチモーダルインタラクションを組み合わせた方法論である。
  論文  参考訳（メタデータ） (2024-06-27T10:01:56Z)
• Mastering Robot Manipulation with Multimodal Prompts through Pretraining and Multi-task Fine-tuning [49.92517970237088]
  我々はマルチモーダルなプロンプトを理解するためにロボットを訓練する問題に取り組む。 このようなタスクは、視覚と言語信号の相互接続と相補性を理解するロボットの能力にとって大きな課題となる。 マルチモーダルプロンプトを用いてロボット操作を行うためのポリシーを学習する効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-14T22:24:58Z)
• 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)
• ML-Based Teaching Systems: A Conceptual Framework [0.0]
  組織的文脈における知識伝達を促進する機械学習(ML)モデルの可能性について検討する。 MLに基づく教育システムをよりよく理解し、設計するために、重要な概念、テーマ、次元について検討する。
  論文  参考訳（メタデータ） (2023-05-12T09:55:34Z)
• A Framework for Interactive Knowledge-Aided Machine Teaching [1.5791732557395555]
  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。
  論文  参考訳（メタデータ） (2022-04-21T18:30:55Z)
• Self-directed Machine Learning [86.3709575146414]
  教育科学において、自己指導型学習は受動的教師指導型学習よりも効果的であることが示されている。 本稿では,自己指向機械学習(SDML)の基本概念を紹介し,SDMLのためのフレームワークを提案する。 提案したSDMLプロセスは,自己タスク選択,自己データ選択,自己モデル選択,自己最適化戦略選択,自己評価基準選択の恩恵を受ける。
  論文  参考訳（メタデータ） (2022-01-04T18:32:06Z)
• Iterative Teacher-Aware Learning [136.05341445369265]
  人間の教育において、教師と学生はコミュニケーション効率を最大化するために適応的に交流することができる。 本稿では,教師の協調意図を可能性関数に組み込むことができる,勾配最適化に基づく教師認識学習者を提案する。
  論文  参考訳（メタデータ） (2021-10-01T00:27:47Z)
• 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)
• 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。