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: 処理完了
• 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

• The Story of QoS Prediction in Vehicular Communication: From Radio Environment Statistics to Network-Access Throughput Prediction [58.88295409355006]
  最大スループット予測の強化、例えばストリーミングやHDマッピングアプリケーションについて検討する。 収集したデータの基盤となる特性をより深く理解することで、MLテクノロジ上に信頼性を構築することができるかを強調します。 我々は、明示可能なAI(XAI)を使用して、MLが明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:29:20Z)
• 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)
• The Need for Interpretable Features: Motivation and Taxonomy [69.07189753428553]
  我々は、「解釈可能な特徴」という用語は、機械学習の説明の有用性に影響を与える機能の全範囲を捉えるのに十分な具体的あるいは詳細ではないと主張している。 本稿では,(1)解釈可能な機能空間と呼ぶもの,あるいはドメインの専門家が現実の行動を取る上で有用な機能の現状に,より注意を払わなければならない,という3つの重要な教訓を論じる。
  論文  参考訳（メタデータ） (2022-02-23T19:19:14Z)
• 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)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• 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)
• 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)
• ThingML+ Augmenting Model-Driven Software Engineering for the Internet of Things with Machine Learning [4.511923587827301]
  本稿では,ThingMLの方法論,モデリング言語,ツールサポートの拡張を目的とした研究プロジェクトであるML-Quadratの現況を紹介する。 多くの場合、IoT/CPSサービスにはシステムコンポーネントや物理プロセスが含まれています。 ストリーム処理と複合イベント処理、すなわちApache SAMOAとApamaに関して、コード生成のための2つのターゲットプラットフォームをサポートする予定です。
  論文  参考訳（メタデータ） (2020-09-22T15:45:45Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。