論文の概要: Beyond Labels: Empowering Human with Natural Language Explanations through a Novel Active-Learning Architecture

• arxiv url: http://arxiv.org/abs/2305.12710v1
• Date: Mon, 22 May 2023 04:38:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 18:28:10.026718
• Title: Beyond Labels: Empowering Human with Natural Language Explanations through a Novel Active-Learning Architecture
• Title（参考訳）: beyond labels: 新しいアクティブラーニングアーキテクチャで人間に自然言語の説明を与える
• Authors: Bingsheng Yao, Ishan Jindal, Lucian Popa, Yannis Katsis, Sayan Ghosh, Lihong He, Yuxuan Lu, Shashank Srivastava, James Hendler, and Dakuo Wang
• Abstract要約: この研究は、低リソースシナリオにおけるラベルと説明の両方の人間のアノテーションをサポートし、削減するための、新しいアクティブラーニング(AL)アーキテクチャを提案する。 我々のALアーキテクチャは、予測モデルのための自然言語説明を明示的に生成し、現実世界における人間の意思決定を支援するための説明生成モデルを組み込んでいる。 自動ALシミュレーション評価は、我々のデータ選択戦略が従来のデータ多様性ベースの戦略より一貫して優れていることを示す。
• 参考スコア（独自算出の注目度）: 32.817547314674115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data annotation is a costly task; thus, researchers have proposed low-scenario learning techniques like Active-Learning (AL) to support human annotators; Yet, existing AL works focus only on the label, but overlook the natural language explanation of a data point, despite that real-world humans (e.g., doctors) often need both the labels and the corresponding explanations at the same time. This work proposes a novel AL architecture to support and reduce human annotations of both labels and explanations in low-resource scenarios. Our AL architecture incorporates an explanation-generation model that can explicitly generate natural language explanations for the prediction model and for assisting humans' decision-making in real-world. For our AL framework, we design a data diversity-based AL data selection strategy that leverages the explanation annotations. The automated AL simulation evaluations demonstrate that our data selection strategy consistently outperforms traditional data diversity-based strategy; furthermore, human evaluation demonstrates that humans prefer our generated explanations to the SOTA explanation-generation system.
• Abstract（参考訳）: データアノテーションはコストのかかる作業であり、研究者は人間の注釈をサポートするアクティブラーニング(al)のような低学力の学習技術を提案している。しかし、既存のalワークはラベルのみに焦点を当てているが、現実世界の人間(例えば医師)はラベルと対応する説明を同時に必要とすることが多いにもかかわらず、データポイントの自然言語説明を見落としている。 本研究は、低リソースシナリオにおけるラベルと説明の両方のヒューマンアノテーションをサポートし、削減するための新しいalアーキテクチャを提案する。 我々のALアーキテクチャは、予測モデルのための自然言語説明を明示的に生成し、現実世界における人間の意思決定を支援するための説明生成モデルを組み込んでいる。 ALフレームワークのために、説明アノテーションを利用するデータ多様性に基づくALデータ選択戦略を設計する。 自動ALシミュレーション評価は、我々のデータ選択戦略が従来のデータ多様性ベースの戦略より一貫して優れており、さらに人間による評価は、私たちの生成した説明をSOTAの説明生成システムに優先することを示しています。

関連論文リスト

• Evolving Knowledge Distillation with Large Language Models and Active Learning [46.85430680828938]
  大規模言語モデル(LLM)は、様々なNLPタスクにまたがる顕著な機能を示している。 従来の研究は、注釈付きデータを生成してLPMの知識をより小さなモデルに抽出しようと試みてきた。 EvoKD: Evolving Knowledge Distillationを提案する。これは、アクティブラーニングの概念を利用して、大規模言語モデルを用いたデータ生成のプロセスをインタラクティブに強化する。
  論文  参考訳（メタデータ） (2024-03-11T03:55:24Z)
• Large Language Models for Scientific Information Extraction: An Empirical Study for Virology [0.0]
  談話に基づく学術コミュニケーションにおける構造的・意味的内容表現の利用を擁護する。 ウィキペディアのインフォボックスや構造化されたAmazon製品記述といったツールにヒントを得て、構造化された学術貢献要約を生成するための自動アプローチを開発しました。 以上の結果から,FLAN-T5のパラメータは現状のGPT-davinciよりも1000倍少ないことが示唆された。
  論文  参考訳（メタデータ） (2024-01-18T15:04:55Z)
• FIND: A Function Description Benchmark for Evaluating Interpretability Methods [86.80718559904854]
  本稿では,自動解釈可能性評価のためのベンチマークスイートであるFIND(Function Interpretation and Description)を紹介する。 FINDには、トレーニングされたニューラルネットワークのコンポーネントに似た機能と、私たちが生成しようとしている種類の記述が含まれています。 本研究では、事前訓練された言語モデルを用いて、自然言語とコードにおける関数の振る舞いの記述を生成する手法を評価する。
  論文  参考訳（メタデータ） (2023-09-07T17:47:26Z)
• Exploring Large Language Model for Graph Data Understanding in Online Job Recommendations [63.19448893196642]
  本稿では,大規模言語モデルが提供するリッチな文脈情報と意味表現を利用して行動グラフを解析する新しいフレームワークを提案する。 この機能を利用することで、個々のユーザに対してパーソナライズされた、正確なジョブレコメンデーションが可能になる。
  論文  参考訳（メタデータ） (2023-07-10T11:29:41Z)
• Post Hoc Explanations of Language Models Can Improve Language Models [43.2109029463221]
  AMPLIFY(Post Hoc Explanations)を用いたインコンテキスト学習の活用によるモデル性能向上のための新しいフレームワークを提案する。 我々は,各入力特徴がモデル予測に与える影響を抽出し,帰属スコア(説明)を出力するポストホック説明手法を活用する。 AMPLIFYは,幅広いタスクに対して約10～25%の精度向上を実現している。
  論文  参考訳（メタデータ） (2023-05-19T04:46:04Z)
• Active Learning for Abstractive Text Summarization [50.79416783266641]
  本稿では,抽象テキスト要約におけるアクティブラーニングのための最初の効果的なクエリ戦略を提案する。 ALアノテーションにおける私たちの戦略は、ROUGEと一貫性スコアの点からモデル性能を向上させるのに役立ちます。
  論文  参考訳（メタデータ） (2023-01-09T10:33:14Z)
• Schema-aware Reference as Prompt Improves Data-Efficient Knowledge Graph Construction [57.854498238624366]
  本稿では,データ効率のよい知識グラフ構築のためのRAP(Schema-Aware Reference As Prompt)の検索手法を提案する。 RAPは、人間の注釈付きおよび弱教師付きデータから受け継いだスキーマと知識を、各サンプルのプロンプトとして動的に活用することができる。
  論文  参考訳（メタデータ） (2022-10-19T16:40:28Z)
• A Dependency Syntactic Knowledge Augmented Interactive Architecture for End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
  エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。 このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。 3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-04-04T14:59:32Z)

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。