論文の概要: To Classify is to Interpret: Building Taxonomies from Heterogeneous Data
through Human-AI Collaboration
- arxiv url: http://arxiv.org/abs/2307.16481v1
- Date: Mon, 31 Jul 2023 08:24:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 15:18:07.593647
- Title: To Classify is to Interpret: Building Taxonomies from Heterogeneous Data
through Human-AI Collaboration
- Title(参考訳): 分類は:人間-ai協調による異種データからの分類法の構築
- Authors: Sebastian Meier and Katrin Glinka
- Abstract要約: 機械学習(ML)を統合したシステムで分類学の構築を支援する方法について検討する。
本稿では,ユーザが複数のモデルのアウトプットを反復的に考慮できるアプローチを提案する。
- 参考スコア(独自算出の注目度): 0.39160947065896795
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Taxonomy building is a task that requires interpreting and classifying data
within a given frame of reference, which comes to play in many areas of
application that deal with knowledge and information organization. In this
paper, we explore how taxonomy building can be supported with systems that
integrate machine learning (ML). However, relying only on black-boxed ML-based
systems to automate taxonomy building would sideline the users' expertise. We
propose an approach that allows the user to iteratively take into account
multiple model's outputs as part of their sensemaking process. We implemented
our approach in two real-world use cases. The work is positioned in the context
of HCI research that investigates the design of ML-based systems with an
emphasis on enabling human-AI collaboration.
- Abstract(参考訳): 分類学ビルディング(Taxonomy Building)は、特定の参照フレーム内のデータの解釈と分類を必要とするタスクであり、知識と情報組織を扱う多くの分野のアプリケーションで機能する。
本稿では,機械学習(ml)を組み込んだシステムで分類学構築をどのように支援できるかを検討する。
しかしながら、分類を自動化するためにブラックボックス化されたMLベースのシステムのみに頼ると、ユーザの専門知識が横ばいになる。
本稿では,複数のモデルのアウトプットを感覚生成プロセスの一部として反復的に考慮することを可能にする手法を提案する。
われわれのアプローチは2つの現実世界のユースケースで実装した。
この研究は、人間とAIのコラボレーションを可能にすることに焦点を当てたMLベースのシステムの設計を調査するHCI研究の文脈に位置づけられている。
関連論文リスト
- Improving Retrieval in Theme-specific Applications using a Corpus
Topical Taxonomy [52.426623750562335]
ToTER (Topical Taxonomy Enhanced Retrieval) フレームワークを紹介する。
ToTERは、クエリとドキュメントの中心的なトピックを分類学のガイダンスで識別し、そのトピックの関連性を利用して、欠落したコンテキストを補う。
プラグイン・アンド・プレイのフレームワークとして、ToTERは様々なPLMベースのレトリバーを強化するために柔軟に使用できる。
論文 参考訳(メタデータ) (2024-03-07T02:34:54Z) - TaBIIC: Taxonomy Building through Iterative and Interactive Clustering [2.817412580574242]
本稿では,反復的かつインタラクティブなプロセスにおいて,両方のアプローチからインスピレーションを得る方法を検討する。
本稿では,本手法が様々なデータソースに適用可能であることを示し,オントロジーにより直接的に組み込むことができることを示す。
論文 参考訳(メタデータ) (2023-12-10T12:17:43Z) - Knowledge Plugins: Enhancing Large Language Models for Domain-Specific
Recommendations [50.81844184210381]
本稿では,大規模言語モデルをDOmain固有のKnowledgEで拡張し,実践的アプリケーション,すなわちDOKEの性能を向上させるためのパラダイムを提案する。
このパラダイムはドメイン知識抽出器に依存し,1)タスクに効果的な知識を準備すること,2)特定のサンプルごとに知識を選択すること,3)LLMで理解可能な方法で知識を表現すること,の3つのステップで動作する。
論文 参考訳(メタデータ) (2023-11-16T07:09:38Z) - Classifying Organizations for Food System Ontologies using Natural
Language Processing [9.462188694526134]
環境問題に関連する組織を自動的に分類できるNLPモデルを開発した。
入力として、NLPモデルは、組織ごとにGoogle検索エンジンによって検索されるテキストスニペットが提供される。
我々はNLPモデルが知識グラフを蓄積するための情報収集に有望なアプローチであると信じている。
論文 参考訳(メタデータ) (2023-09-19T19:07:48Z) - Model-Driven Engineering Method to Support the Formalization of Machine
Learning using SysML [0.0]
本研究は,モデルベース工学を活用した機械学習タスクの協調的定義を支援する手法を提案する。
この方法は、様々なデータソースの識別と統合、データ属性間のセマンティックな関係の定義、データ処理ステップの定義をサポートする。
論文 参考訳(メタデータ) (2023-07-10T11:33:46Z) - Human Activity Recognition using Attribute-Based Neural Networks and
Context Information [61.67246055629366]
手作業におけるウェアラブルセンサデータから人間の活動認識(HAR)を考察する。
我々は、コンテキスト情報をディープニューラルネットワークベースのHARシステムに体系的に組み込む方法を示す。
提案したアーキテクチャは,最先端手法と比較してHAR性能が向上することを示す。
論文 参考訳(メタデータ) (2021-10-28T06:08:25Z) - Large-scale Taxonomy Induction Using Entity and Word Embeddings [13.30719395448771]
本論文では,実体とテキスト埋め込みを用いた知識からの自動推定抽出手法 TIEmb を提案する。
本稿では,Wide Web の大部分から抽出されたクラス置換関係のデータベースである WebIsA データベースにアプローチを適用し,Person and Place ドメインの階層を抽出する。
論文 参考訳(メタデータ) (2021-05-04T05:53:12Z) - Simple multi-dataset detection [83.9604523643406]
複数の大規模データセット上で統合検出器を訓練する簡単な方法を提案する。
データセット固有のアウトプットを共通の意味分類に自動的に統合する方法を示す。
私たちのアプローチは手動の分類学の調整を必要としません。
論文 参考訳(メタデータ) (2021-02-25T18:55:58Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳(メタデータ) (2020-06-22T08:35:58Z) - Knowledge Elicitation using Deep Metric Learning and Psychometric
Testing [15.989397781243225]
画像やビデオなどの高次元データを扱う専門家から,効率的な階層的知識の抽出方法を提案する。
開発されたモデルは、距離が意味論的に意味のある距離空間に高次元データを埋め込み、データは階層構造で整理することができる。
論文 参考訳(メタデータ) (2020-04-14T08:33:42Z) - Mining Implicit Entity Preference from User-Item Interaction Data for
Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。
我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。
利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
論文 参考訳(メタデータ) (2020-03-28T05:47:33Z)
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。