論文の概要: WebSHAP: Towards Explaining Any Machine Learning Models Anywhere

• arxiv url: http://arxiv.org/abs/2303.09545v1
• Date: Thu, 16 Mar 2023 17:56:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-03-17 14:08:38.846052
• Title: WebSHAP: Towards Explaining Any Machine Learning Models Anywhere
• Title（参考訳）: WebSHAP: あらゆる機械学習モデルの説明を目指す
• Authors: Zijie J. Wang, Duen Horng Chau
• Abstract要約: 我々は,最新のモデルに依存しない説明可能性技術 SHAP を Web 環境に適用する最初のブラウザ内ツールである WebSHAP を提案する。 我々のオープンソースツールは、クライアントサイドのハードウェア機能を利用するWebGLのようなモダンなWeb技術で開発されています。
• 参考スコア（独自算出の注目度）: 13.883867498610172
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As machine learning (ML) is increasingly integrated into our everyday Web experience, there is a call for transparent and explainable web-based ML. However, existing explainability techniques often require dedicated backend servers, which limit their usefulness as the Web community moves toward in-browser ML for lower latency and greater privacy. To address the pressing need for a client-side explainability solution, we present WebSHAP, the first in-browser tool that adapts the state-of-the-art model-agnostic explainability technique SHAP to the Web environment. Our open-source tool is developed with modern Web technologies such as WebGL that leverage client-side hardware capabilities and make it easy to integrate into existing Web ML applications. We demonstrate WebSHAP in a usage scenario of explaining ML-based loan approval decisions to loan applicants. Reflecting on our work, we discuss the opportunities and challenges for future research on transparent Web ML. WebSHAP is available at https://github.com/poloclub/webshap.
• Abstract（参考訳）: マシンラーニング(ML)が日々のWebエクスペリエンスに統合されるにつれて、透過的で説明可能なWebベースのMLが求められます。 しかし、既存の説明可能性のテクニックは、しばしば専用のバックエンドサーバーを必要とするため、Webコミュニティがレイテンシの低減とプライバシー向上のためにブラウザ内MLに向かっているため、その有用性を制限している。 クライアント側の説明可能性ソリューションの必要性に対処するため、WebSHAPは、最先端のモデルに依存しない説明可能性技術SHAPをWeb環境に適用する最初のブラウザ内ツールである。 私たちのオープンソースツールは、クライアントサイドのハードウェア機能を活用し、既存のWeb MLアプリケーションに簡単に統合できるWebGLのようなモダンなWeb技術で開発されています。 ローン申請者にmlベースのローン承認決定を説明する利用シナリオでwebshapを示す。 研究成果を振り返って,透明なWeb MLに関する今後の研究の機会と課題について論じる。 WebSHAPはhttps://github.com/poloclub/webshapで入手できる。

関連論文リスト

• Learning to Contextualize Web Pages for Enhanced Decision Making by LLM Agents [89.98593996816186]
  複雑なWebページをより理解しやすい形式にするための言語モデルを学習するためのフレームワークであるLCoWを紹介する。 LCoWは、別々のコンテキスト化モジュールをトレーニングすることで、意思決定からWebページ理解を分離する。 我々の文脈化モジュールは、様々なスケールのLLMエージェントと効果的に統合され、意思決定能力を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2025-03-12T01:33:40Z)
• asanAI: In-Browser, No-Code, Offline-First Machine Learning Toolkit [0.0]
  asanAIは、あらゆるスキルレベルのユーザ向けに設計された、オフラインファーストでオープンソースの、ノーコード機械学習ツールキットである。 個人は、Webブラウザから直接MLモデルを設計、デバッグ、トレーニング、テストすることができる。 このツールキットは、スマートフォンを含む最新のWebブラウザを持つあらゆるデバイス上で動作し、ローカルな計算によってユーザのプライバシを保証する。
  論文  参考訳（メタデータ） (2025-01-07T12:47:52Z)
• WebLLM: A High-Performance In-Browser LLM Inference Engine [9.771248136952039]
  WebLLMはオープンソースのフレームワークで、Webブラウザで高性能なLLM推論を可能にする。 WebLLMは、Webアプリケーションにシームレスに統合するためのOpenAIスタイルのAPIを提供する。 WebLLMは、同じデバイス上で80%のネイティブパフォーマンスを維持することができる。
  論文  参考訳（メタデータ） (2024-12-20T11:24:13Z)
• AgentOccam: A Simple Yet Strong Baseline for LLM-Based Web Agents [52.13695464678006]
  本研究は, 観察空間と行動空間を簡略化することで, LLMベースのWebエージェントを強化する。 AgentOccam は以前の最先端および同時処理を 9.8 (+29.4%) と 5.9 (+15.8%) で上回っている。
  論文  参考訳（メタデータ） (2024-10-17T17:50:38Z)
• Web2Code: A Large-scale Webpage-to-Code Dataset and Evaluation Framework for Multimodal LLMs [112.89665642941814]
  MLLM(Multimodal large language model)は、画像、ビデオ、オーディオなどのモダリティにおいて顕著な成功を収めている。 現在のMLLMは、Webページのスクリーンショットを理解し、対応するHTMLコードを生成するのに驚くほど貧弱です。 命令チューニングのための大規模Webページ・ツー・コードデータセットを新たに構築したベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-06-28T17:59:46Z)
• VisualWebBench: How Far Have Multimodal LLMs Evolved in Web Page Understanding and Grounding? [115.60866817774641]
  MLLM(Multimodal Large Language Model)は、Web関連のタスクにおいて有望であることを示す。 Webドメインにおけるパフォーマンス評価は、包括的なベンチマークが欠如しているため、依然として課題である。 benchは、さまざまなWebタスクにわたるMLLMの機能を評価するために設計されたマルチモーダルベンチマークである。
  論文  参考訳（メタデータ） (2024-04-09T02:29:39Z)
• Pyreal: A Framework for Interpretable ML Explanations [51.14710806705126]
  Pyrealは、さまざまな解釈可能な機械学習説明を生成するシステムである。 Pyrealは、モデルによって期待される機能空間、関連する説明アルゴリズム、および人間のユーザ間でデータと説明を変換する。 我々の研究は、Pyrealが既存のシステムよりも有用な説明を生成することを示した。
  論文  参考訳（メタデータ） (2023-12-20T15:04:52Z)
• The Web Can Be Your Oyster for Improving Large Language Models [98.72358969495835]
  大規模言語モデル(LLM)は、大量の世界の知識を符号化する。 我々はLLMを検索エンジンを用いて大規模ウェブで拡張することを検討する。 ウェブ上に拡張されたLLM UNIWEBを提案する。これは16の知識集約的なタスクに対して、統一されたテキスト・テキスト・フォーマットで訓練される。
  論文  参考訳（メタデータ） (2023-05-18T14:20:32Z)
• MLCopilot: Unleashing the Power of Large Language Models in Solving Machine Learning Tasks [31.733088105662876]
  我々は、新しいフレームワークを導入することで、機械学習と人間の知識のギャップを埋めることを目指している。 本稿では、構造化された入力を理解するためのLLMの能力を拡張し、新しいMLタスクを解くための徹底的な推論を行う可能性を示す。
  論文  参考訳（メタデータ） (2023-04-28T17:03:57Z)
• MLExchange: A web-based platform enabling exchangeable machine learning workflows [41.066688323596374]
  MLExchangeプロジェクトは、MLと計算リソースを科学的な発見に使用する、深遠なMLバックグラウンドを持たない科学者や施設のユーザのためのツールを備えた共同プラットフォームを構築することを目的としている。 プラットフォーム全体あるいは個々のサービスは、ラップトップ(通常は単一ユーザ)から、多くのユーザによって(同時に)アクセスされた高性能クラスタまで、さまざまなスケールのサーバに簡単にデプロイできます。
  論文  参考訳（メタデータ） (2022-08-20T21:36:11Z)
• SeLoC-ML: Semantic Low-Code Engineering for Machine Learning Applications in Industrial IoT [9.477629856092218]
  本稿では,Semantic Low-Code Engineering for ML Applications (SeLoC-ML) というフレームワークを提案する。 SeLoC-MLは、非専門家が大規模なMLモデルやデバイスをモデル化し、発見し、再利用することを可能にする。 開発者は、レシピと呼ばれるセマンティックなアプリケーションテンプレートから、エンドユーザアプリケーションのプロトタイプを高速に作成できる。
  論文  参考訳（メタデータ） (2022-07-18T13:06:21Z)
• How to Manage Tiny Machine Learning at Scale: An Industrial Perspective [5.384059021764428]
  TinyML(TinyML)は、ユビキタスマイクロコントローラ上で機械学習(ML)が民主化され、広く普及している。 TinyMLモデルは異なる構造で開発されており、その動作原理を明確に理解せずに配布されることが多い。 本稿では,TinyMLモデルとIoTデバイスを大規模に管理するためのセマンティックWeb技術を用いたフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-18T10:36:11Z)
• Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
  本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。 また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
  論文  参考訳（メタデータ） (2021-08-17T17:44:38Z)
• Widening Access to Applied Machine Learning with TinyML [1.1678513163359947]
  我々は,Tiny Machine Learning (TinyML)上で,大規模なオープンオンラインコース (MOOC) を通じて応用機械学習 (ML) へのアクセスを増やすための教育的アプローチについて述べる。 この目的のために、学界(ハーバード大学)と産業(Google)の協力により、TinyMLを使ってソリューションを開発するためのアプリケーション指向の指導を提供する4つのMOOCが作成された。 このシリーズは、edX MOOCプラットフォームで公開されており、基本的なプログラミング以上の前提条件がなく、世界中のさまざまなバックグラウンドから学習者向けに設計されている。
  論文  参考訳（メタデータ） (2021-06-07T23:31:47Z)

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。