Fugu-MT 論文翻訳(概要): (Re)Defining Expertise in Machine Learning Development

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

What Makes An Expert? Reviewing How ML Researchers Define "Expert" [4.6346970187885885]
専門」と「専門」を明示的に参照する学術出版物112件をレビューする。専門知識はしばしば未定義であり、正式な教育以外の知識の形式はめったに求められない。我々は、専門家が機械学習開発に関わった方法、専門知識の社会的構築、そして責任あるAI開発への意味について論じる。
論文参考訳（メタデータ） (2024-10-31T19:51:28Z)
Unveiling and Consulting Core Experts in Retrieval-Augmented MoE-based LLMs [64.9693406713216]
RAGシステムの有効性に寄与する内部メカニズムは未解明のままである。実験の結果,複数のコアグループの専門家がRAG関連行動に主に関与していることが判明した。本稿では,専門家の活性化を通じてRAGの効率性と有効性を高めるためのいくつかの戦略を提案する。
論文参考訳（メタデータ） (2024-10-20T16:08:54Z)
The FIX Benchmark: Extracting Features Interpretable to eXperts [9.688218822056823]
FIX(Features Interpretable to eXperts)は、機能の集合が専門家の知識とどの程度うまく一致しているかを測定するベンチマークである。 FIXScoreは、宇宙論、心理学、医学領域にまたがる多様な現実世界の設定に適用可能な、統一された専門家アライメント尺度である。
論文参考訳（メタデータ） (2024-09-20T17:53:03Z)
Translating Expert Intuition into Quantifiable Features: Encode Investigator Domain Knowledge via LLM for Enhanced Predictive Analytics [2.330270848695646]
本稿では,調査対象から得られた洞察を定量的かつ実用的な特徴に体系的に変換することで,ギャップを埋める大規模言語モデルの可能性を探る。我々は、LLMの自然言語理解機能を活用して、これらの赤いフラグを既存の予測モデルに容易に統合可能な構造化機能セットにエンコードするフレームワークを提案する。その結果、リスク評価と意思決定精度が大幅に向上し、高度な機械学習技術と人間の経験的知識を融合させることの価値が強調された。
論文参考訳（メタデータ） (2024-05-11T13:23:43Z)
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)
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 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)
Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
論文参考訳（メタデータ） (2021-01-24T05:40:29Z)

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。