論文の概要: AI2: The next leap toward native language based and explainable machine learning framework

• arxiv url: http://arxiv.org/abs/2301.03391v1
• Date: Mon, 9 Jan 2023 14:48:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 15:49:26.396574
• Title: AI2: The next leap toward native language based and explainable machine learning framework
• Title（参考訳）: AI2: ネイティブ言語と説明可能な機械学習フレームワークへの次の飛躍
• Authors: Jean-S\'ebastien Dessureault, Daniel Massicotte
• Abstract要約: 提案されたフレームワークは、AI$2$と名付けられ、自然言語インターフェースを使用して、非スペシャリストが機械学習アルゴリズムの恩恵を受けることができる。 AI$2$フレームワークの主なコントリビューションは、ユーザーが機械学習アルゴリズムを英語で呼び出すことで、インターフェースの使用が容易になる。 もうひとつのコントリビューションは、データの適切な記述とロードを支援する前処理モジュールだ。
• 参考スコア（独自算出の注目度）: 1.827510863075184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The machine learning frameworks flourished in the last decades, allowing artificial intelligence to get out of academic circles to be applied to enterprise domains. This field has significantly advanced, but there is still some meaningful improvement to reach the subsequent expectations. The proposed framework, named AI$^{2}$, uses a natural language interface that allows a non-specialist to benefit from machine learning algorithms without necessarily knowing how to program with a programming language. The primary contribution of the AI$^{2}$ framework allows a user to call the machine learning algorithms in English, making its interface usage easier. The second contribution is greenhouse gas (GHG) awareness. It has some strategies to evaluate the GHG generated by the algorithm to be called and to propose alternatives to find a solution without executing the energy-intensive algorithm. Another contribution is a preprocessing module that helps to describe and to load data properly. Using an English text-based chatbot, this module guides the user to define every dataset so that it can be described, normalized, loaded and divided appropriately. The last contribution of this paper is about explainability. For decades, the scientific community has known that machine learning algorithms imply the famous black-box problem. Traditional machine learning methods convert an input into an output without being able to justify this result. The proposed framework explains the algorithm's process with the proper texts, graphics and tables. The results, declined in five cases, present usage applications from the user's English command to the explained output. Ultimately, the AI$^{2}$ framework represents the next leap toward native language-based, human-oriented concerns about machine learning framework.
• Abstract（参考訳）: 機械学習フレームワークは過去数十年で繁栄し、人工知能が学術的サークルから抜け出し、エンタープライズドメインに適用できるようになった。 この分野はかなり進歩しているが、その後の期待に到達するための有意義な改善がまだある。 提案されたフレームワークは ai$^{2}$ と呼ばれ、非専門家が必ずしもプログラミング言語でプログラミングする方法を知らずに機械学習アルゴリズムの恩恵を受けることができる自然言語インターフェイスを使用している。 ai$^{2}$フレームワークの主な貢献により、ユーザーは英語で機械学習アルゴリズムを呼び出すことができ、インターフェイスの使用が容易になる。 第2の貢献は温室効果ガス(GHG)の認識である。 呼び出すアルゴリズムによって生成されるGHGを評価するための戦略と、エネルギー集約アルゴリズムを実行することなく解を見つける代替案を提案する戦略がある。 もう1つの貢献は、データを適切に記述し読み込むのに役立つプリプロセッシングモジュールである。 このモジュールは、英語のテキストベースのチャットボットを使用して、ユーザがすべてのデータセットを適切に記述、正規化、ロード、分割できるように定義する。 この論文の最後の貢献は説明可能性に関するものである。 何十年もの間、科学界は機械学習アルゴリズムが有名なブラックボックス問題を意味することを知っていた。 従来の機械学習手法は、結果を正当化せずに入力を出力に変換する。 提案するフレームワークは、適切なテキスト、グラフィック、テーブルでアルゴリズムのプロセスを説明する。 その結果,5例で減少し,ユーザの英語コマンドから説明結果への使用例が得られた。 最終的に、AI$^{2}$フレームワークは、マシンラーニングフレームワークに関するネイティブ言語ベースのヒューマン指向の懸念への次の飛躍を表している。

関連論文リスト

• Training Neural Networks as Recognizers of Formal Languages [87.06906286950438]
  形式言語理論は、特に認識者に関するものである。 代わりに、非公式な意味でのみ類似したプロキシタスクを使用するのが一般的である。 ニューラルネットワークを文字列のバイナリ分類器として直接訓練し評価することで、このミスマッチを補正する。
  論文  参考訳（メタデータ） (2024-11-11T16:33:25Z)
• Autoregressive Large Language Models are Computationally Universal [59.34397993748194]
  変換器に基づく言語モデルの自己回帰復号化により,普遍計算が実現可能であることを示す。 まず、2027年の生産規則を持つラグシステムにより、普遍チューリングマシンをシミュレートできることを示す。 我々は、チャーチ・チューリングの論文により、拡張自己回帰(greedy)復号化によるgemini-1.5-pro-001が汎用コンピュータであると結論付けた。
  論文  参考訳（メタデータ） (2024-10-04T06:05:17Z)
• From Decoding to Meta-Generation: Inference-time Algorithms for Large Language Models [63.188607839223046]
  この調査は、推論中に計算をスケールするメリットに焦点を当てている。 我々はトークンレベルの生成アルゴリズム、メタジェネレーションアルゴリズム、効率的な生成という3つの領域を統一的な数学的定式化の下で探索する。
  論文  参考訳（メタデータ） (2024-06-24T17:45:59Z)
• CodeGRAG: Bridging the Gap between Natural Language and Programming Language via Graphical Retrieval Augmented Generation [58.84212778960507]
  我々は,LLMの性能を高めるため,グラフィカル検索拡張コード生成フレームワークであるCodeGRAGを提案する。 CodeGRAGは、制御フローとデータフローに基づいて、コードブロックのグラフィカルなビューを構築し、プログラミング言語と自然言語のギャップを埋める。 ハードメタグラフプロンプト、ソフトプロンプト技術、事前訓練されたGNN専門家の目的の有効性を検証するために、C++言語とピソン言語の両方を含む4つのデータセットで様々な実験と改善が行われた。
  論文  参考訳（メタデータ） (2024-05-03T02:48:55Z)
• Linguacodus: A Synergistic Framework for Transformative Code Generation in Machine Learning Pipelines [0.0]
  本稿では,自然言語のタスク記述を高レベルなデータ生成命令によってコードに変換する動的パイプラインを提案する。 本稿では、微調整過程を詳述し、自然言語記述を関数型コードに変換する方法について光を当てる。 本稿では,MLタスクの自然な記述を人間のインタラクションを最小限に抑えたコードに変換するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-18T08:58:47Z)
• Machine Learning Augmented Branch and Bound for Mixed Integer Linear Programming [11.293025183996832]
  Mixed Linear Programming (MILP)は、幅広いアプリケーションに対して強力なモデリング言語を提供する。 近年,ブランチ・アンド・バウンドアルゴリズムに関わる主要なタスクをすべて強化するための機械学習アルゴリズムの利用が爆発的な発展を遂げている。 特に、分岐とバウンドの効率の指標を自動的に最適化する機械学習アルゴリズムに注意を払っている。
  論文  参考訳（メタデータ） (2024-02-08T09:19:26Z)
• Performance Prediction of Data-Driven Knowledge summarization of High Entropy Alloys (HEAs) literature implementing Natural Language Processing algorithms [0.0]
  自然言語処理(NLP)の目標は、マシンインテリジェンスに人間の脳と同じように言葉を処理させることだ。 Geneism, Sumy, Luhn, Latent Semantic Analysis (LSA), Kull-back-Liebler (KL) al-gorithmの5つのNLPアルゴリズムが実装されている。 Luhnアルゴリズムは、他の使われているアルゴリズムと比較して知識要約タスクの精度が最も高い。
  論文  参考訳（メタデータ） (2023-11-06T16:22:32Z)
• Evolution of Natural Language Processing Technology: Not Just Language Processing Towards General Purpose AI [0.0]
  本報告は,最先端NLPがいかにして「実践が完璧である」原理を実現するかの技術的説明を提供する。 深層学習を用いて大量のテキストデータを学習した結果,初期予測を超える成果が報告されている。 大量のテキストデータを用いて「実践は完璧」という概念を具現化した学習者の正確な例である。
  論文  参考訳（メタデータ） (2023-10-10T00:41:38Z)
• Interactive Code Generation via Test-Driven User-Intent Formalization [60.90035204567797]
  大きな言語モデル(LLM)は、非公式な自然言語(NL)の意図からコードを生成する。 自然言語は曖昧であり、形式的な意味論が欠けているため、正確性の概念を定義するのは難しい。 言語に依存しない抽象アルゴリズムと具体的な実装TiCoderについて述べる。
  論文  参考訳（メタデータ） (2022-08-11T17:41:08Z)
• BigIssue: A Realistic Bug Localization Benchmark [89.8240118116093]
  BigIssueは、現実的なバグローカライゼーションのためのベンチマークである。 実際のJavaバグと合成Javaバグの多様性を備えた一般的なベンチマークを提供する。 われわれは,バグローカライゼーションの最先端技術として,APRの性能向上と,現代の開発サイクルへの適用性の向上を期待している。
  論文  参考訳（メタデータ） (2022-07-21T20:17:53Z)
• Julia Language in Machine Learning: Algorithms, Applications, and Open Issues [5.666843255747851]
  機械学習は、科学と工学の分野で開発を推進している。 現在、機械学習アルゴリズムの開発に最もよく使われているプログラミング言語は、PythonとC/C ++である。 本稿では,機械学習におけるJulia言語の適用に関する研究成果と開発状況を要約する。
  論文  参考訳（メタデータ） (2020-03-23T09:31:02Z)

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。