論文の概要: Interpretability and accessibility of machine learning in selected food processing, agriculture and health applications

• arxiv url: http://arxiv.org/abs/2211.16699v1
• Date: Wed, 30 Nov 2022 02:44:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 15:44:42.736292
• Title: Interpretability and accessibility of machine learning in selected food processing, agriculture and health applications
• Title（参考訳）: 食品加工・農業・健康分野における機械学習の解釈可能性とアクセシビリティ
• Authors: N. Ranasinghe, A. Ramanan, S. Fernando, P. N. Hameed, D. Herath, T. Malepathirana, P. Suganthan, M. Niranjan and S. Halgamuge
• Abstract要約: MLベースのシステムの解釈可能性の欠如は、これらの強力なアルゴリズムの普及の大きな障害である。 自動モデル設計によるMLアクセシビリティ向上のために、新たなテクニックが登場している。 本稿では,グローバル問題における機械学習の解釈可能性とアクセシビリティ向上に向けた取り組みについて概説する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Artificial Intelligence (AI) and its data-centric branch of machine learning (ML) have greatly evolved over the last few decades. However, as AI is used increasingly in real world use cases, the importance of the interpretability of and accessibility to AI systems have become major research areas. The lack of interpretability of ML based systems is a major hindrance to widespread adoption of these powerful algorithms. This is due to many reasons including ethical and regulatory concerns, which have resulted in poorer adoption of ML in some areas. The recent past has seen a surge in research on interpretable ML. Generally, designing a ML system requires good domain understanding combined with expert knowledge. New techniques are emerging to improve ML accessibility through automated model design. This paper provides a review of the work done to improve interpretability and accessibility of machine learning in the context of global problems while also being relevant to developing countries. We review work under multiple levels of interpretability including scientific and mathematical interpretation, statistical interpretation and partial semantic interpretation. This review includes applications in three areas, namely food processing, agriculture and health.
• Abstract（参考訳）: 人工知能(AI)とその機械学習(ML)のデータ中心のブランチは、ここ数十年で大きく進化してきた。 しかし、現実のユースケースではAIがますます使われるようになっているため、AIシステムの解釈可能性やアクセシビリティの重要性が研究分野となっている。 MLベースのシステムの解釈可能性の欠如は、これらの強力なアルゴリズムの普及の大きな障害となっている。 これは、倫理的および規制上の懸念を含む多くの理由によるものであり、いくつかの分野でMLの採用が低下した。 最近は解釈可能なMLの研究が急増している。 一般的に、MLシステムを設計するには、専門家の知識と組み合わせた優れたドメイン理解が必要です。 自動モデル設計によってMLアクセシビリティを改善する新しい技術が登場している。 本稿では,グローバルな問題における機械学習の解釈可能性とアクセシビリティ向上に向けた取り組みについて,発展途上国にも関連性がありながら概説する。 本稿では, 科学的・数学的解釈, 統計的解釈, 部分的意味解釈を含む多段階の解釈可能性について検討する。 このレビューには、食品加工、農業、健康の3分野の応用が含まれている。

関連論文リスト

• Understanding the Complexity and Its Impact on Testing in ML-Enabled Systems [8.630445165405606]
  世界中の企業で広く採用されている産業対話システムであるRasa 3.0について検討する。 私たちのゴールは、このような大規模なML対応システムの複雑さを特徴づけ、テストにおける複雑さの影響を理解することです。 本研究は,ML対応システムにおけるソフトウェア工学の実践的意義を明らかにする。
  論文  参考訳（メタデータ） (2023-01-10T08:13:24Z)
• Vision Paper: Causal Inference for Interpretable and Robust Machine Learning in Mobility Analysis [71.2468615993246]
  インテリジェントな輸送システムを構築するには、人工知能とモビリティ分析の複雑な組み合わせが必要である。 ここ数年、高度なディープニューラルネットワークを使った輸送アプリケーションの開発が急速に進んでいる。 このビジョンペーパーは、解釈可能性と堅牢性を必要とするディープラーニングに基づくモビリティ分析における研究課題を強調する。
  論文  参考訳（メタデータ） (2022-10-18T17:28:58Z)
• One-way Explainability Isn't The Message [2.618757282404254]
  この文脈における人間と機械の両方の要件は、かなり異なると我々は主張する。 このようなヒューマン・マシン・システムの設計は、情報の2方向の繰り返しの可視性によって駆動されるべきである。 我々は、協調的な意思決定支援システムの設計を導くために、運用原則、すなわち、知性公理(Intelligibility Axioms)を提案します。
  論文  参考訳（メタデータ） (2022-05-05T09:15:53Z)
• Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
  本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。 また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
  論文  参考訳（メタデータ） (2021-11-28T14:24:52Z)
• Pitfalls of Explainable ML: An Industry Perspective [29.49574255183219]
  説明は機械学習(ML)システムの望ましい属性の中核に位置する。 説明可能なMLの目標は、さまざまな利害関係者のニーズを守りながら、直感的にMLシステムの予測を説明することである。
  論文  参考訳（メタデータ） (2021-06-14T21:05:05Z)
• Inspect, Understand, Overcome: A Survey of Practical Methods for AI Safety [54.478842696269304]
  安全クリティカルなアプリケーションにディープニューラルネットワーク(DNN)を使用することは、多数のモデル固有の欠点のために困難です。 近年,これらの安全対策を目的とした最先端技術動物園が出現している。 本稿は、機械学習の専門家と安全エンジニアの両方に対処する。
  論文  参考訳（メタデータ） (2021-04-29T09:54:54Z)
• LioNets: A Neural-Specific Local Interpretation Technique Exploiting Penultimate Layer Information [6.570220157893279]
  解釈可能な機械学習(IML)は研究の緊急のトピックである。 本稿では,テキストデータと時系列データに適用される局所的,神経特異的な解釈プロセスに焦点を当てる。
  論文  参考訳（メタデータ） (2021-04-13T09:39:33Z)
• Understanding the Usability Challenges of Machine Learning In High-Stakes Decision Making [67.72855777115772]
  機械学習(ML)は、多種多様な成長を続ける一連のドメインに適用されている。 多くの場合、MLやデータサイエンスの専門知識を持たないドメインの専門家は、ML予測を使用してハイステークな意思決定を行うように求められます。 児童福祉スクリーニングにおけるMLユーザビリティの課題について,児童福祉スクリーニング者との一連のコラボレーションを通じて検討する。
  論文  参考訳（メタデータ） (2021-03-02T22:50:45Z)
• A Large-Scale, Automated Study of Language Surrounding Artificial Intelligence [0.0]
  本研究は,2011年から2019年にかけてのニュース記事や学術出版物の中で,人工知能(AI)と機械学習(ML)の大規模な分析を行う。 AI/MLとの共同発生言語のシフトを自動的に識別し、これらの単語関連の強さを定量化する単語関連測定を実施します。
  論文  参考訳（メタデータ） (2021-02-24T19:14:53Z)
• Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
  機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。 私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。 当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
  論文  参考訳（メタデータ） (2021-01-11T15:54:48Z)
• Technology Readiness Levels for AI & ML [79.22051549519989]
  機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。 エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。 我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-21T17:14:34Z)

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。