Fugu-MT 論文翻訳(概要): Applying Interdisciplinary Frameworks to Understand Algorithmic Decision-Making

論文の概要: Applying Interdisciplinary Frameworks to Understand Algorithmic Decision-Making

arxiv url: http://arxiv.org/abs/2305.16700v1
Date: Fri, 26 May 2023 07:41:56 GMT
ステータス: 処理完了
システム内更新日: 2023-05-29 16:32:36.861894
Title: Applying Interdisciplinary Frameworks to Understand Algorithmic Decision-Making
Title（参考訳）: アルゴリズム決定処理の理解のための学際的フレームワークの適用
Authors: Timoth\'ee Schmude, Laura Koesten, Torsten M\"oller, Sebastian Tschiatschek
Abstract要約: 我々は,「アルゴリズム意思決定」システムの説明は,すでに学習科学で使われている実践を取り入れることで利益を得ることができると論じている。
参考スコア（独自算出の注目度）: 12.431372110088462
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We argue that explanations for "algorithmic decision-making" (ADM) systems can profit by adopting practices that are already used in the learning sciences. We shortly introduce the importance of explaining ADM systems, give a brief overview of approaches drawing from other disciplines to improve explanations, and present the results of our qualitative task-based study incorporating the "six facets of understanding" framework. We close with questions guiding the discussion of how future studies can leverage an interdisciplinary approach.
Abstract（参考訳）: 我々は,「アルゴリズム意思決定」システムの説明は,すでに学習科学で使われている実践を取り入れることで利益を得ることができると論じている。我々は、admシステムを説明することの重要性をすぐに紹介し、説明を改善するための他の分野からのアプローチの概要を述べるとともに、「理解の6つの面」フレームワークを組み込んだ質的タスクベース研究の結果を紹介する。我々は,今後の研究が学際的アプローチをどのように活用できるかという議論を導く質問を締めくくった。

関連論文リスト

A Mechanistic Explanatory Strategy for XAI [0.0]
本稿では,ディープラーニングシステムの機能的構造を説明するためのメカニズム的戦略を概説する。メカニスティックアプローチによると、不透明なAIシステムの説明には、意思決定を促進するメカニズムの特定が含まれる。この研究は、モデル組織を研究するための体系的なアプローチが、より単純な(あるいはより控えめな)説明可能性技術が欠落する可能性のある要素を明らかにすることを示唆している。
論文参考訳（メタデータ） (2024-11-02T18:30:32Z)
Explainability in AI Based Applications: A Framework for Comparing Different Techniques [2.5874041837241304]
ビジネスアプリケーションでは、理解可能性と精度のバランスをとる適切な説明可能性方法を選択することが課題である。本稿では,異なる説明可能性手法の一致を評価するための新しい手法を提案する。多様な説明可能性手法の合意を理解するための実践的な枠組みを提供することにより、ビジネスアプリケーションにおける解釈可能なAIシステムのより広範な統合を促進することを目的としている。
論文参考訳（メタデータ） (2024-10-28T09:45:34Z)
Knowledge Tagging System on Math Questions via LLMs with Flexible Demonstration Retriever [48.5585921817745]
大きな言語モデル(LLM)は知識タグ付けタスクを自動化するために使われる。算数問題における知識タグ付けタスクに対するゼロショットと少数ショットの結果の強い性能を示す。強化学習に基づくデモレトリバーの提案により,異なるサイズのLLMの潜在能力を活用できた。
論文参考訳（メタデータ） (2024-06-19T23:30:01Z)
LLM as a Mastermind: A Survey of Strategic Reasoning with Large Language Models [75.89014602596673]
戦略推論は、戦略を調整しながら、マルチエージェント設定における敵の行動を理解し、予測する必要がある。大規模言語モデルを用いた戦略的推論に関連するスコープ,アプリケーション,方法論,評価指標について検討する。戦略的推論を重要な認知能力として重要視し、将来の研究の方向性や潜在的な改善に関する洞察を提供する。
論文参考訳（メタデータ） (2024-04-01T16:50:54Z)
Soft Reasoning on Uncertain Knowledge Graphs [85.1968214421899]
本研究では,ソフト制約プログラミングの確立を動機とした,不確実な知識に対するソフトクエリの設定について検討する。本稿では,大規模,不完全,不確実な知識グラフ上でのソフトクエリに応答する,前方推論と後方校正を併用したMLベースのアプローチを提案する。
論文参考訳（メタデータ） (2024-03-03T13:13:53Z)
What Lies beyond the Pareto Front? A Survey on Decision-Support Methods for Multi-Objective Optimization [11.935678130032766]
本稿では,多目的最適化(MOO)アルゴリズムが生み出す解を探索するための意思決定支援手法を統一するレビューを行う。多様な問題を解決するためにMOOを適用するため、MOOアルゴリズムが提供するトレードオフを解析するためのアプローチがフィールドに分散している。
論文参考訳（メタデータ） (2023-11-19T10:24:39Z)
Explainable Data-Driven Optimization: From Context to Decision and Back Again [76.84947521482631]
データ駆動最適化では、コンテキスト情報と機械学習アルゴリズムを使用して、不確実なパラメータによる決定問題の解決策を見つける。本稿では,データ駆動型問題に対する解法を説明するために,対実的説明手法を提案する。在庫管理やルーティングといった運用管理における重要な問題を説明することで,我々のアプローチを実証する。
論文参考訳（メタデータ） (2023-01-24T15:25:16Z)
Complementary Explanations for Effective In-Context Learning [77.83124315634386]
大規模言語モデル (LLM) は、説明のインプロンプトから学習する際、顕著な能力を示した。この研究は、文脈内学習に説明が使用されるメカニズムをよりよく理解することを目的としている。
論文参考訳（メタデータ） (2022-11-25T04:40:47Z)
Towards Interpretable Reasoning over Paragraph Effects in Situation [126.65672196760345]
我々は,原因と効果を理解するためのモデルを必要とする状況において,段落効果を推論する作業に焦点をあてる。本稿では,ニューラルネットワークモジュールを用いた推論プロセスの各ステップを明示的にモデル化する逐次的手法を提案する。特に、5つの推論モジュールはエンドツーエンドで設計され、学習され、より解釈可能なモデルにつながる。
論文参考訳（メタデータ） (2020-10-03T04:03:52Z)
Computation Offloading in Beyond 5G Networks: A Distributed Learning Framework and Applications [26.276443044484918]
本稿では,第5世代のネットワークにおける計算オフロードについて考察する。計算オフロード問題をマルチエージェントマルコフ決定プロセスとして定式化する。本稿では,オンライン分散強化学習アルゴリズムの可能性を示すために,計算オフロードにおける資源オーケストレーションのケーススタディを提案する。
論文参考訳（メタデータ） (2020-07-15T21:25:15Z)

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。