論文の概要: EASE: An Easily-Customized Annotation System Powered by Efficiency Enhancement Mechanisms

• arxiv url: http://arxiv.org/abs/2305.14169v1
• Date: Tue, 23 May 2023 15:38:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-24 15:13:41.449526
• Title: EASE: An Easily-Customized Annotation System Powered by Efficiency Enhancement Mechanisms
• Title（参考訳）: EASE: 効率向上機構を利用した簡易なカスタマイズアノテーションシステム
• Authors: Naihao Deng, Yikai Liu, Mingye Chen, Winston Wu, Siyang Liu, Yulong Chen, Yue Zhang, Rada Mihalcea
• Abstract要約: EASEは、効率向上機構を利用した、カスタマイズが容易なシステムである。 sysnameは、カスタマイズされたインターフェイスを構築するためのモジュール型のアノテーションユニットを提供する。 この結果から,NLP研究者の多様なニーズを満たすことが可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 30.01064463095968
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The performance of current supervised AI systems is tightly connected to the availability of annotated datasets. Annotations are usually collected through annotation tools, which are often designed for specific tasks and are difficult to customize. Moreover, existing annotation tools with an active learning mechanism often only support limited use cases. To address these limitations, we present EASE, an Easily-Customized Annotation System Powered by Efficiency Enhancement Mechanisms. \sysname provides modular annotation units for building customized annotation interfaces and also provides multiple back-end options that suggest annotations using (1) multi-task active learning; (2) demographic feature based active learning; (3) a prompt system that can query the API of large language models. We conduct multiple experiments and user studies to evaluate our system's flexibility and effectiveness. Our results show that our system can meet the diverse needs of NLP researchers and significantly accelerate the annotation process.
• Abstract（参考訳）: 現在の教師付きAIシステムのパフォーマンスは、注釈付きデータセットの可用性と密接に関連している。 アノテーションは通常、特定のタスク用に設計され、カスタマイズが難しいアノテーションツールによって収集される。 さらに、アクティブな学習メカニズムを持つ既存のアノテーションツールは、限られたユースケースしかサポートしないことが多い。 これらの制約に対処するため,効率向上機構を利用した簡易カスタマイズアノテーションシステムEASEを提案する。 \sysnameは、カスタマイズされたアノテーションインターフェイスを構築するためのモジュール化されたアノテーションユニットを提供するとともに、(1)マルチタスクアクティブラーニング、(2)人口統計に基づくアクティブラーニング、(3)大きな言語モデルのapiをクエリできるプロンプトシステムを使用してアノテーションを推奨する複数のバックエンドオプションを提供する。 システムの柔軟性と有効性を評価するために,複数の実験とユーザスタディを実施している。 その結果,本システムはnlp研究者の多様なニーズを満たし,アノテーション処理を著しく加速できることがわかった。

関連論文リスト

• DETAIL: Task DEmonsTration Attribution for Interpretable In-context Learning [75.68193159293425]
  インコンテキスト学習(ICL)により、トランスフォーマーベースの言語モデルでは、パラメータを更新することなく、いくつかの"タスクデモ"で特定のタスクを学習することができる。 ICLの特徴に対処する影響関数に基づく帰属手法DETAILを提案する。 ホワイトボックスモデルで得られた属性スコアがブラックボックスモデルに転送可能であることを示すことにより、モデル性能を向上させる上で、DETAILの広範な適用性を実験的に証明する。
  論文  参考訳（メタデータ） (2024-05-22T15:52:52Z)
• Third-Party Language Model Performance Prediction from Instruction [59.574169249307054]
  言語モデルに基づく命令フォローシステムは、最近、多くのベンチマークタスクのパフォーマンスが向上している。 ユーザは、応答が正確かどうかを判断することなく、命令付きモデルを容易に促すことができる。 本稿では,タスク上での指示追従システムの評価から得られたメトリックを予測するために,別のモデルを訓練した第三者のパフォーマンス予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-19T03:53:47Z)
• Large Language User Interfaces: Voice Interactive User Interfaces powered by LLMs [5.06113628525842]
  ユーザとユーザインターフェース(UI)の仲介として機能するフレームワークを提案する。 アノテーションの形でUIコンポーネントのテキストセマンティックマッピングに立つシステムを採用している。 我々のエンジンは、最も適切なアプリケーションを分類し、関連するパラメータを抽出し、その後、ユーザの期待するアクションの正確な予測を実行することができる。
  論文  参考訳（メタデータ） (2024-02-07T21:08:49Z)
• Learning to Extract Structured Entities Using Language Models [52.281701191329]
  機械学習の最近の進歩は、情報抽出の分野に大きな影響を与えている。 タスクをエンティティ中心にすることで、さまざまなメトリクスの使用を可能にします。 我々は、Structured Entity extractを導入し、Adroximate Entity Set OverlaPメトリックを提案し、この分野にコントリビュートします。
  論文  参考訳（メタデータ） (2024-02-06T22:15:09Z)
• Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
  本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。 このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。 各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
  論文  参考訳（メタデータ） (2023-09-15T02:42:03Z)
• The Weak Supervision Landscape [5.186945902380689]
  弱い監督設定を分類する枠組みを提案する。 我々は、弱い監督を特徴付ける重要な要素を特定し、既存のアプローチのほとんどを分類する一連の次元を考案する。 文献における一般的な設定がフレームワークにどのように適合するかを示し、実際に使用可能な使用法について議論する。
  論文  参考訳（メタデータ） (2022-03-30T13:19:43Z)
• Modular approach to data preprocessing in ALOHA and application to a smart industry use case [0.0]
  データ前処理と変換パイプラインをサポートするために、ALOHAツールフローに統合されたモジュラーアプローチに対処する。 提案手法の有効性を示すために,キーワードスポッティングのユースケースに関する実験結果を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:48:51Z)
• HUMAN: Hierarchical Universal Modular ANnotator [14.671297336775387]
  a) テキストデータと画像データの両方で様々なアノテーションタスクをカバーし, b) 内部決定論的状態マシンの使用法を記述した, 上記の問題に対処する新しいWebベースのアノテーションツールを提案する。 Humaneには、アノテーションのタスクと管理を簡単にするグラフィカルなユーザインターフェースが付属している。
  論文  参考訳（メタデータ） (2020-10-02T16:20:30Z)
• 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)
• A Unified Object Motion and Affinity Model for Online Multi-Object Tracking [127.5229859255719]
  オブジェクトの動きと親和性モデルを単一のネットワークに統一する新しいMOTフレームワークUMAを提案する。 UMAは、単一物体追跡とメートル法学習をマルチタスク学習により統合された三重項ネットワークに統合する。 我々は,タスク認識機能学習を促進するために,タスク固有のアテンションモジュールを装備する。
  論文  参考訳（メタデータ） (2020-03-25T09:36:43Z)

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。