論文の概要: Using Sentence Embeddings and Semantic Similarity for Seeking Consensus when Assessing Trustworthy AI

• arxiv url: http://arxiv.org/abs/2208.04608v1
• Date: Tue, 9 Aug 2022 08:52:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-10 12:56:36.868928
• Title: Using Sentence Embeddings and Semantic Similarity for Seeking Consensus when Assessing Trustworthy AI
• Title（参考訳）: 信頼度aiの評価におけるコンセンサス獲得のための文埋め込みと意味的類似性の利用
• Authors: Dennis Vetter, Jesmin Jahan Tithi, Magnus Westerlund, Roberto V. Zicari, Gemma Roig
• Abstract要約: 人工知能システムの信頼性を評価するには、さまざまな分野の知識が必要である。 異なる分野の専門家は、他の分野で容易に使われる専門用語を意識していないかもしれない。
• 参考スコア（独自算出の注目度）: 7.437224586066943
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Assessing the trustworthiness of artificial intelligence systems requires knowledge from many different disciplines. These disciplines do not necessarily share concepts between them and might use words with different meanings, or even use the same words differently. Additionally, experts from different disciplines might not be aware of specialized terms readily used in other disciplines. Therefore, a core challenge of the assessment process is to identify when experts from different disciplines talk about the same problem but use different terminologies. In other words, the problem is to group problem descriptions (a.k.a. issues) with the same semantic meaning but described using slightly different terminologies. In this work, we show how we employed recent advances in natural language processing, namely sentence embeddings and semantic textual similarity, to support this identification process and to bridge communication gaps in interdisciplinary teams of experts assessing the trustworthiness of an artificial intelligence system used in healthcare.
• Abstract（参考訳）: 人工知能システムの信頼性を評価するには、さまざまな分野の知識が必要である。 これらの分野は必ずしも概念を共有しておらず、異なる意味を持つ単語を使うこともあるし、同じ単語を使うこともある。 さらに、異なる分野の専門家は、他の分野で容易に使われる専門用語に気付いていないかもしれない。 したがって、評価プロセスの核となる課題は、異なる分野の専門家が同じ問題について語るとき、異なる用語を使うときを特定することである。 言い換えれば、問題は同じ意味を持つ問題記述(つまり問題)をグループ化することであるが、少し異なる用語を用いて記述する。 本研究では, 自然言語処理の最近の進歩, すなわち文埋め込みと意味的テキスト類似性を用いて, この識別プロセスをサポートし, 医療に使用される人工知能システムの信頼性を評価する専門家チーム間のコミュニケーションギャップを埋める方法について述べる。

関連論文リスト

• Data Set Terminology of Deep Learning in Medicine: A Historical Review and Recommendation [0.7897552065199818]
  医学とディープラーニングに基づく人工知能工学は、数十年にわたる歴史を持つ2つの異なる分野を表している。 このような歴史によって、特定の方法が適用される一連の用語がもたらされる。 このレビューは、これらの用語の歴史的文脈を与え、これらの用語が医療AIの文脈で使用されるときの明確さの重要性を強調することを目的としている。
  論文  参考訳（メタデータ） (2024-04-30T07:07:45Z)
• Layer-Wise Analysis of Self-Supervised Acoustic Word Embeddings: A Study on Speech Emotion Recognition [54.952250732643115]
  連続表現から派生した長さの固定長特徴である音響単語埋め込み(AWE)について検討し,その利点について検討した。 AWEは以前、音響的識別可能性の把握に有用であることを示した。 以上の結果から,AWEが伝達する音響的文脈が明らかになり,高い競争力を持つ音声認識精度が示された。
  論文  参考訳（メタデータ） (2024-02-04T21:24:54Z)
• The Language Labyrinth: Constructive Critique on the Terminology Used in the AI Discourse [0.0]
  この論文は、AIの議論は依然として「学習」、「学習」、「決定」といったメタファーに批判的な距離が欠如していることが特徴であると主張している。 その結果、責任や潜在的なユースケースに関するリフレクションが大幅に歪められる。 これは重要なコンピュータ科学と言語哲学の交わりにおける概念的な研究である。
  論文  参考訳（メタデータ） (2023-07-18T14:32:21Z)
• Causal Discovery with Language Models as Imperfect Experts [119.22928856942292]
  専門知識を用いて因果グラフの同定を改善する方法について検討する。 整合性に基づく専門家の知識を改良するための戦略を提案する。 本稿では,不完全な専門家として大規模言語モデルを用いる実データを用いたケーススタディについて報告する。
  論文  参考訳（メタデータ） (2023-07-05T16:01:38Z)
• Embracing Ambiguity: Improving Similarity-oriented Tasks with Contextual Synonym Knowledge [30.010315144903885]
  文脈同義語知識は類似性指向のタスクに不可欠である。 ほとんどのプレトレーニング言語モデル(PLM)は、トレーニング前の目的に固有の制限があるため、同義的な知識を欠いている。 PICSOは、複数のドメインからPLMへの文脈的同義語知識の注入を支援するフレキシブルなフレームワークである。
  論文  参考訳（メタデータ） (2022-11-20T15:25:19Z)
• A Linguistic Investigation of Machine Learning based Contradiction Detection Models: An Empirical Analysis and Future Perspectives [0.34998703934432673]
  本稿では,2つの自然言語推論データセットについて,その言語的特徴について分析する。 目標は、特に機械学習モデルを理解するのが難しい、構文的および意味的特性を特定することである。
  論文  参考訳（メタデータ） (2022-10-19T10:06:03Z)
• Artificial Intelligence Nomenclature Identified From Delphi Study on Key Issues Related to Trust and Barriers to Adoption for Autonomous Systems [5.175660172780059]
  クロスディシプリンティングチームは、複雑な機械学習の課題に協力しています。 文学における基本的な定義のコンセンサスを見つけることは、より根本的な問題である。
  論文  参考訳（メタデータ） (2022-10-14T16:54:20Z)
• Subject Verb Agreement Error Patterns in Meaningless Sentences: Humans vs. BERT [64.40111510974957]
  英語における主語数合意に意味が干渉するかどうかを検証する。 意味的によく形づくられた、意味のないアイテムを生成します。 BERTと人間はどちらも、セマンティックな操作に敏感である。
  論文  参考訳（メタデータ） (2022-09-21T17:57:23Z)
• Knowledge-Grounded Dialogue Generation with a Unified Knowledge Representation [78.85622982191522]
  既存のシステムは、トレーニングデータでカバーされる限られたトピックのために、目に見えないトピックでうまく機能しない。 本稿では,異なる知識源を均質化した言語モデルであるPLUGについて述べる。 完全に教師された設定の下で最先端のメソッドと同等のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2021-12-15T07:11:02Z)
• Improving Machine Reading Comprehension with Contextualized Commonsense Knowledge [62.46091695615262]
  我々は、機械読解の理解を改善するために、常識知識を抽出することを目指している。 構造化知識を文脈内に配置することで,関係を暗黙的に表現することを提案する。 我々は,教師の学習パラダイムを用いて,複数種類の文脈的知識を学生機械読取機に注入する。
  論文  参考訳（メタデータ） (2020-09-12T17:20:01Z)
• 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)

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。