論文の概要: Tribe or Not? Critical Inspection of Group Differences Using TribalGram

• arxiv url: http://arxiv.org/abs/2303.09664v1
• Date: Thu, 16 Mar 2023 21:47:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-20 16:18:38.613482
• Title: Tribe or Not? Critical Inspection of Group Differences Using TribalGram
• Title（参考訳）: トライブかノーか? TribalGramを用いた群差の臨界検査
• Authors: Yongsu Ahn, Muheng Yan, Yu-Ru Lin, Wen-Ting Chung, Rebecca Hwa
• Abstract要約: グループプロファイリングやグループレベルの分析は、政策作成や直接マーケティングなど、多くの領域で採用されている。 本研究では,グループ分化の必要性を解明し,集団の過度な一般化を防止するために,説明可能なグループ分析設計ガイドラインの集合を同定する。 設計ガイドラインに従って,解釈可能な機械学習アルゴリズムと可視化を活用するビジュアル分析スイートであるTribalGramを開発した。
• 参考スコア（独自算出の注目度）: 13.670327096294479
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rise of AI and data mining techniques, group profiling and group-level analysis have been increasingly used in many domains including policy making and direct marketing. In some cases, the statistics extracted from data may provide insights to a group's shared characteristics; in others, the group-level analysis can lead to problems including stereotyping and systematic oppression. How can analytic tools facilitate a more conscientious process in group analysis? In this work, we identify a set of accountable group analytics design guidelines to explicate the needs for group differentiation and preventing overgeneralization of a group. Following the design guidelines, we develop TribalGram, a visual analytic suite that leverages interpretable machine learning algorithms and visualization to offer inference assessment, model explanation, data corroboration, and sense-making. Through the interviews with domain experts, we showcase how our design and tools can bring a richer understanding of "groups" mined from the data.
• Abstract（参考訳）: AIやデータマイニング技術の台頭に伴い、グループプロファイリングやグループレベルの分析は、ポリシー作成やダイレクトマーケティングなど、多くの領域で利用されるようになった。 データから抽出された統計は、集団の共有特性に対する洞察を与える場合もあるが、グループレベルの分析は、ステレオタイピングや体系的な抑圧といった問題を引き起こすことがある。 分析ツールは、グループ分析において、より良心的なプロセスをいかに促進できるか? 本研究では,グループ分化の必要性を解明し,集団の過度な一般化を防止するために,説明可能なグループ分析設計ガイドラインのセットを特定する。 設計ガイドラインに従って,解釈可能な機械学習アルゴリズムと可視化を活用し,推論評価,モデル説明,データ相関,センスメイキングを提供するビジュアル分析スイートであるTribalGramを開発した。 ドメインの専門家とのインタビューを通じて、私たちの設計とツールは、データから掘り出された"グループ"をよりリッチに理解する方法について紹介します。

関連論文リスト

• "Show Me What's Wrong!": Combining Charts and Text to Guide Data Analysis [4.016592757754338]
  金融詐欺検出の文脈では、アナリストは取引データの中で不審な活動を素早く特定する必要がある。 これは、パターンの認識、グループ化、比較といった複雑な探索的なタスクからなる反復的なプロセスである。 これらのステップに固有の情報の過負荷を軽減するため、自動化された情報ハイライト、大規模言語モデルが生成するテキストインサイト、視覚分析を組み合わせたツールを提案する。
  論文  参考訳（メタデータ） (2024-10-01T14:16:10Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• Outlier-Robust Group Inference via Gradient Space Clustering [50.87474101594732]
  既存のメソッドは、最悪のグループのパフォーマンスを改善することができるが、それらは、しばしば高価で入手できないグループアノテーションを必要とする。 モデルパラメータの勾配の空間にデータをクラスタリングすることで,アウトレーヤの存在下でグループアノテーションを学習する問題に対処する。 そこで我々は,DBSCANのような標準クラスタリング手法に適合するように,マイノリティグループや外れ値に関する情報を保存しながら,勾配空間内のデータがより単純な構造を持つことを示す。
  論文  参考訳（メタデータ） (2022-10-13T06:04:43Z)
• Self-Supervised Visual Representation Learning with Semantic Grouping [50.14703605659837]
  我々は、未ラベルのシーン中心のデータから視覚表現を学習する問題に取り組む。 本研究では,データ駆動型セマンティックスロット,すなわちSlotConによる協調型セマンティックグルーピングと表現学習のためのコントラスト学習を提案する。
  論文  参考訳（メタデータ） (2022-05-30T17:50:59Z)
• Fair Group-Shared Representations with Normalizing Flows [68.29997072804537]
  本研究では,異なるグループに属する個人を1つのグループにマッピングできる公正表現学習アルゴリズムを開発した。 提案手法は,他の公正表現学習アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2022-01-17T10:49:49Z)
• Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
  入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く 本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。 グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-01-10T22:04:48Z)
• DoGR: Disaggregated Gaussian Regression for Reproducible Analysis of Heterogeneous Data [4.720638420461489]
  データを重なり合うクラスタ(分散)に分割し,その内の動作をモデル化することで,潜在的共同設立者を検出するDoGRを導入する(回帰)。 実世界のデータに適用すると,本手法は有意義なクラスタとその特徴的行動を発見し,グループ差と関心の帰結に対する影響について考察する。 我々のフレームワークは、潜伏した共同創設者を考慮し、ノイズの多い異種データの探索分析を促進し、新しいデータにもっと一般化した予測モデルを学ぶのに利用できる。
  論文  参考訳（メタデータ） (2021-08-31T01:58:23Z)
• Representation Matters: Assessing the Importance of Subgroup Allocations in Training Data [85.43008636875345]
  訓練データにおける多様な表現は,サブグループのパフォーマンス向上と集団レベルの目標達成の鍵である。 分析と実験は、データセット構成がパフォーマンスにどのように影響するかを説明し、既存のデータにおけるトレンドとドメイン知識を用いて、意図的かつ客観的なデータセット設計を導くのに役立つ構成結果を提供する。
  論文  参考訳（メタデータ） (2021-03-05T00:27:08Z)
• EXPLAIN-IT: Towards Explainable AI for Unsupervised Network Traffic Analysis [7.447122949368314]
  ラベルのないデータを扱う手法であるEXPLAIN-ITを導入し、意味のあるクラスタを作成し、エンドユーザのクラスタリング結果の説明を提案する。 暗号化されたトラフィックシナリオ下でのYouTubeビデオ品質分類の問題に対してEXPLAIN-ITを適用し,有望な結果を示す。
  論文  参考訳（メタデータ） (2020-03-03T17:54:41Z)

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。