論文の概要: (Re)Defining Expertise in Machine Learning Development
- arxiv url: http://arxiv.org/abs/2302.04337v1
- Date: Wed, 8 Feb 2023 21:10:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-10 17:22:55.319416
- Title: (Re)Defining Expertise in Machine Learning Development
- Title(参考訳): (レ)機械学習開発における専門知識の確立
- Authors: Mark D\'iaz, Angela D. R. Smith
- Abstract要約: 我々は,1)専門知識が定義され,認識される基盤,2)専門家がML開発で果たす役割を理解するために,機械学習研究の体系的な文献レビューを行う。
私たちのゴールは、専門家の識別とML研究への関与の限界と機会を強調するために、高いレベルの分類を作ることです。
- 参考スコア(独自算出の注目度): 3.096615629099617
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Domain experts are often engaged in the development of machine learning
systems in a variety of ways, such as in data collection and evaluation of
system performance. At the same time, who counts as an 'expert' and what
constitutes 'expertise' is not always explicitly defined. In this project, we
conduct a systematic literature review of machine learning research to
understand 1) the bases on which expertise is defined and recognized and 2) the
roles experts play in ML development. Our goal is to produce a high-level
taxonomy to highlight limits and opportunities in how experts are identified
and engaged in ML research.
- Abstract(参考訳): ドメインエキスパートは、データ収集やシステムパフォーマンスの評価など、さまざまな方法で機械学習システムの開発に従事していることが多い。
同時に、誰が「専門家」であり、「専門家」を構成するかは必ずしも明確に定義されていない。
本稿では,機械学習研究の体系的な文献レビューを行い,理解する。
1) 専門知識が定義され、認識される基盤
2)ML開発における専門家の役割。
私たちのゴールは、専門家の識別とML研究への関与の限界と機会を強調するために、高いレベルの分類を作ることです。
関連論文リスト
- Learning to Defer to a Population: A Meta-Learning Approach [4.980250354893495]
テスト時に目に見えない専門家に対処できるL2Dシステムを定式化します。
テストポイントに類似したコンテキストセット内のポイントを検索できるアテンションメカニズムを採用しています。
実験では,画像認識,交通標識検出,皮膚病変診断ベンチマークについて検討した。
論文 参考訳(メタデータ) (2024-03-05T06:10:28Z) - HyperMoE: Paying Attention to Unselected Experts in Mixture of Experts
via Dynamic Transfer [27.0250806999889]
言語モデルのMixture of Experts (MoE)は、各入力トークンを特定の専門家のサブセットに動的にルーティングすることで、モデルのキャパシティを増大させる効果が証明されている。
我々はHypernetworks上に構築された新しいMoEフレームワークであるHyperMoEを提案する。
このフレームワークは、マルチタスク学習における知識伝達の概念とMoEの計算処理を統合する。
論文 参考訳(メタデータ) (2024-02-20T02:09:55Z) - Knowledge Plugins: Enhancing Large Language Models for Domain-Specific
Recommendations [50.81844184210381]
本稿では,大規模言語モデルをDOmain固有のKnowledgEで拡張し,実践的アプリケーション,すなわちDOKEの性能を向上させるためのパラダイムを提案する。
このパラダイムはドメイン知識抽出器に依存し,1)タスクに効果的な知識を準備すること,2)特定のサンプルごとに知識を選択すること,3)LLMで理解可能な方法で知識を表現すること,の3つのステップで動作する。
論文 参考訳(メタデータ) (2023-11-16T07:09:38Z) - Exploring the Cognitive Knowledge Structure of Large Language Models: An
Educational Diagnostic Assessment Approach [50.125704610228254]
大規模言語モデル(LLM)は、様々なタスクにまたがる例外的なパフォーマンスを示すだけでなく、知性の火花も示している。
近年の研究では、人間の試験における能力の評価に焦点が当てられ、異なる領域における彼らの印象的な能力を明らかにしている。
ブルーム分類に基づく人体検査データセットであるMoocRadarを用いて評価を行った。
論文 参考訳(メタデータ) (2023-10-12T09:55:45Z) - Beyond Factuality: A Comprehensive Evaluation of Large Language Models
as Knowledge Generators [78.63553017938911]
大規模言語モデル(LLM)は、下流の知識集約タスクのための情報検索技術より優れている。
しかし、コミュニティの懸念は、この無検閲の知識を使用することの事実と潜在的意味について多岐にわたる。
本研究では,6つの重要な視点から生成した知識を評価するために設計されたCONNERを紹介する。
論文 参考訳(メタデータ) (2023-10-11T08:22:37Z) - Knowledge-augmented Deep Learning and Its Applications: A Survey [60.221292040710885]
知識強化ディープラーニング(KADL)は、ドメイン知識を特定し、それをデータ効率、一般化可能、解釈可能なディープラーニングのためのディープモデルに統合することを目的としている。
本調査は,既存の研究成果を補足し,知識強化深層学習の一般分野における鳥眼研究の展望を提供する。
論文 参考訳(メタデータ) (2022-11-30T03:44:15Z) - The Expertise Level [0.0]
本稿では,専門知識の性質を考察し,専門知識の抽象的知識レベルと技能レベルを解説する。
エキスパートレベル(Expertise Level)と呼ばれる知識レベルの上に、専門家のスキルを記述するために、必要な知識の詳細を気にすることなく、新たなレベルが導入される。
モデル・オブ・エキスパートズ(Model of Expertise)は、知識レベルと専門レベルの説明を組み合わせて導入された。
論文 参考訳(メタデータ) (2022-11-11T20:55:11Z) - Towards Human Cognition Level-based Experiment Design for Counterfactual
Explanations (XAI) [68.8204255655161]
XAI研究の重点は、より理解を深めるために、より実践的な説明アプローチに変わったようだ。
認知科学研究がXAIの進歩に大きく影響を与える可能性のある領域は、ユーザの知識とフィードバックを評価することである。
本研究では,異なる認知レベルの理解に基づく説明の生成と評価を実験する枠組みを提案する。
論文 参考訳(メタデータ) (2022-10-31T19:20:22Z) - Towards Unbiased and Accurate Deferral to Multiple Experts [19.24068936057053]
本研究では, 分類器とディフェラルシステムを同時に学習するフレームワークを提案し, ディフェラルシステムは1人以上の人間専門家にディジェラルシステムを選択する。
本フレームワークは,偏りのある合成専門家による合成データセットとコンテンツモデレーションデータセットを用いてテストし,最終予測の精度と公平性を大幅に向上させることを示す。
論文 参考訳(メタデータ) (2021-02-25T17:08:39Z) - Decision Rule Elicitation for Domain Adaptation [93.02675868486932]
ヒトインザループ機械学習は、専門家からラベルを引き出すために人工知能(AI)で広く使用されています。
この作業では、専門家が意思決定を説明する決定ルールを作成できるようにします。
決定規則の適用はアルゴリズムのドメイン適応を改善し、専門家の知識をAIモデルに広めるのに役立つことを示す。
論文 参考訳(メタデータ) (2021-02-23T08:07:22Z) - A Quantitative Perspective on Values of Domain Knowledge for Machine
Learning [27.84415856657607]
様々な形式のドメイン知識は、学習性能を向上させる上で重要な役割を担っている。
本研究では,ドメイン知識の価値を学習性能への貢献の観点から定量化する問題について検討する。
論文 参考訳(メタデータ) (2020-11-17T06:12:23Z)
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。