Fugu-MT 論文翻訳(概要): Control and Monitoring of Artificial Intelligence Algorithms

論文の概要: Control and Monitoring of Artificial Intelligence Algorithms

arxiv url: http://arxiv.org/abs/2307.13705v1
Date: Mon, 24 Jul 2023 10:16:11 GMT
ステータス: 処理完了
システム内更新日: 2023-07-27 14:55:22.731370
Title: Control and Monitoring of Artificial Intelligence Algorithms
Title（参考訳）: 人工知能アルゴリズムの制御とモニタリング
Authors: Carlos Mario Braga Ortu\~no, Blanza Martinez Donoso and Bel\'en Mu\~niz Villanueva
Abstract要約: 本稿では,人工知能モデルのデプロイ後管理の重要性を明らかにする。データドリフトと概念ドリフトの概念は、それぞれの基礎分布とともに説明される。様々なメトリクスを導入し、潜在的な時間的変動についてモデルの性能を精査するために利用することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper elucidates the importance of governing an artificial intelligence model post-deployment and overseeing potential fluctuations in the distribution of present data in contrast to the training data. The concepts of data drift and concept drift are explicated, along with their respective foundational distributions. Furthermore, a range of metrics is introduced, which can be utilized to scrutinize the model's performance concerning potential temporal variations.
Abstract（参考訳）: 本稿では,トレーニングデータと対照的に,デプロイ後の人工知能モデルを統制し,現在のデータ分布の潜在的変動を監督することの重要性を明らかにする。データドリフトとコンセプトドリフトの概念は、それぞれの基本分布とともに説明される。さらに,潜在的な時間変動に関するモデルの性能を精査するために,様々な指標が導入された。

関連論文リスト

Robust Domain Generalisation with Causal Invariant Bayesian Neural Networks [9.999199798941424]
本稿では,推論プロセスのメカニズムからデータ分布の学習を阻害するベイズ型ニューラルネットワークを提案する。理論的,実験的に,我々のモデルは因果的介入下での推論に近似していることを示す。
論文参考訳（メタデータ） (2024-10-08T20:38:05Z)
Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
論文参考訳（メタデータ） (2024-08-24T18:28:19Z)
Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文参考訳（メタデータ） (2024-02-19T02:08:09Z)
Unveiling the Potential of Probabilistic Embeddings in Self-Supervised Learning [4.124934010794795]
自己教師付き学習は、ラベルのないデータから意味のある表現をモデルが取得できるようにすることで、機械学習を前進させる上で重要な役割を担っている。本稿では,情報ボトルネックに対する確率的モデリングの影響について検討し,情報圧縮と情報保存のトレードオフについて述べる。以上の結果から,損失空間に新たなボトルネックを導入することにより,アウト・オブ・ディストリビューションの事例を検出する能力が著しく向上することが示唆された。
論文参考訳（メタデータ） (2023-10-27T12:01:16Z)
Explanation Shift: Detecting distribution shifts on tabular data via the explanation space [13.050516715665166]
本研究では, モデル予測性能とモデル説明特性の分布変化の影響について検討する。我々は,予測性能変化の検出において,説明シフトのモデル化がより良い指標となることを見出した。
論文参考訳（メタデータ） (2022-10-22T06:47:13Z)
Invariant Causal Mechanisms through Distribution Matching [86.07327840293894]
本研究では、因果的視点と不変表現を学習するための新しいアルゴリズムを提供する。実験により,このアルゴリズムは様々なタスク群でうまく動作し,特にドメインの一般化における最先端のパフォーマンスを観察する。
論文参考訳（メタデータ） (2022-06-23T12:06:54Z)
Explainability in Process Outcome Prediction: Guidelines to Obtain Interpretable and Faithful Models [77.34726150561087]
本稿では、プロセス結果予測の分野における説明可能性モデルと説明可能性モデルの忠実性を通して、説明可能性を定義する。本稿では,イベントログの仕様に基づいて適切なモデルを選択することのできる,X-MOPというガイドラインのセットを提案する。
論文参考訳（メタデータ） (2022-03-30T05:59:50Z)
Sparsity-Inducing Categorical Prior Improves Robustness of the Information Bottleneck [4.2903672492917755]
フレキシビリティを提供するメカニズムとしてスペーサを用いた,スペーサ誘導型スパイクスラブを新たに提案する。提案手法は従来の固定比例前の手法と比較して精度とロバスト性を向上することを示す。
論文参考訳（メタデータ） (2022-03-04T22:22:51Z)
Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文参考訳（メタデータ） (2021-12-15T01:45:32Z)
Bayesian Imaging With Data-Driven Priors Encoded by Neural Networks: Theory, Methods, and Algorithms [2.266704469122763]
本稿では,事前知識がトレーニングデータとして利用可能である逆問題に対して,ベイズ推定を行う新しい手法を提案する。容易に検証可能な条件下で,関連する後方モーメントの存在と適切性を確立する。モデル精度解析により、データ駆動モデルによって報告されるベイズ確率は、頻繁な定義の下で著しく正確であることが示された。
論文参考訳（メタデータ） (2021-03-18T11:34:08Z)
How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
本稿では,トレーニングデータの密度と制御性能の関係を考察する。データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
論文参考訳（メタデータ） (2020-05-25T12:13:49Z)

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。