論文の概要: Bridging the Gap: Towards an Expanded Toolkit for ML-Supported
Decision-Making in the Public Sector
- arxiv url: http://arxiv.org/abs/2310.19091v1
- Date: Sun, 29 Oct 2023 17:44:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-31 14:26:27.358633
- Title: Bridging the Gap: Towards an Expanded Toolkit for ML-Supported
Decision-Making in the Public Sector
- Title(参考訳): ギャップの橋渡し:公共部門におけるml支援意思決定ツールキットの拡大に向けて
- Authors: Unai Fischer Abaigar, Christoph Kern, Noam Barda and Frauke Kreuter
- Abstract要約: 我々は,機械学習と公共セクターの意思決定のギャップを埋めることを目的として,重要な技術的課題の包括的概要を提示する。
我々は、モデルと運用環境を接続するMLパイプラインの要点に集中する。
これらの課題は、因果ML、ドメイン適応、不確実性定量化、多目的最適化を含む、新たな方法論の進歩と結びついている。
- 参考スコア(独自算出の注目度): 7.312170216336088
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine Learning (ML) systems are becoming instrumental in the public sector,
with applications spanning areas like criminal justice, social welfare,
financial fraud detection, and public health. While these systems offer great
potential benefits to institutional decision-making processes, such as improved
efficiency and reliability, they still face the challenge of aligning intricate
and nuanced policy objectives with the precise formalization requirements
necessitated by ML models. In this paper, we aim to bridge the gap between ML
and public sector decision-making by presenting a comprehensive overview of key
technical challenges where disjunctions between policy goals and ML models
commonly arise. We concentrate on pivotal points of the ML pipeline that
connect the model to its operational environment, delving into the significance
of representative training data and highlighting the importance of a model
setup that facilitates effective decision-making. Additionally, we link these
challenges with emerging methodological advancements, encompassing causal ML,
domain adaptation, uncertainty quantification, and multi-objective
optimization, illustrating the path forward for harmonizing ML and public
sector objectives.
- Abstract(参考訳): 機械学習(ML)システムは、刑事司法、社会福祉、金融詐欺検出、公衆衛生などの分野にまたがる、公共セクターにおいて重要な存在になりつつある。
これらのシステムは、効率の向上や信頼性の向上など、制度的な意思決定プロセスに大きなメリットをもたらす一方で、複雑な政策目標と、MLモデルで必要とされる正確な形式化要件を整合させるという課題に直面している。
本稿では,MLと公共セクターの意思決定のギャップを埋めるために,政策目標とMLモデルの相違が一般的である重要な技術的課題の包括的概要を提示する。
我々は、モデルをその運用環境に接続するMLパイプラインの要点に集中し、代表的トレーニングデータの重要性を掘り下げ、効果的な意思決定を容易にするモデル設定の重要性を強調します。
さらに,これらの課題を,因果ml,ドメイン適応,不確実性定量化,多目的最適化など,新たな方法論的進歩と結びつけ,mlと公共部門目標の調和に向けた道筋を示す。
関連論文リスト
- Rethinking Machine Unlearning for Large Language Models [89.99791628154274]
大規模言語モデル(LLM)の領域における機械学習の研究
このイニシアチブは、望ましくないデータの影響(機密情報や違法情報など)と関連するモデル機能を排除することを目的としている。
論文 参考訳(メタデータ) (2024-02-13T20:51:58Z) - Entropy-Regularized Token-Level Policy Optimization for Large Language
Models [76.02428537504323]
大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。
本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。
その結果,ETPO は CodeLlama-7B モデルで有効な性能向上を実現し,RLHF から受け継いだ変種 PPO ベースラインを超越していることがわかった。
論文 参考訳(メタデータ) (2024-02-09T07:45:26Z) - DeLLMa: A Framework for Decision Making Under Uncertainty with Large
Language Models [34.71443803031482]
大規模言語モデル(LLM)は、ビジネス、エンジニアリング、医療といった分野を含む、社会全体でますます使われている。
本研究では,不確実な環境における意思決定精度を高めるためのフレームワークであるDeLLMaを提案する。
以上の結果から,DeLLMaはLLM判定性能を大幅に向上し,競合手法よりも40%の精度向上が達成できることがわかった。
論文 参考訳(メタデータ) (2024-02-04T08:11:45Z) - Solution-oriented Agent-based Models Generation with Verifier-assisted
Iterative In-context Learning [10.67134969207797]
エージェントベースのモデル(ABM)は、仮説的な解決策やポリシーの提案と検証に不可欠なパラダイムである。
大きな言語モデル(LLM)は、ドメイン間の知識とプログラミング能力をカプセル化することで、このプロセスの難しさを軽減できる可能性がある。
SAGEは、ターゲット問題に対する自動モデリングおよびソリューション生成のために設計された、汎用的なソリューション指向のABM生成フレームワークである。
論文 参考訳(メタデータ) (2024-02-04T07:59:06Z) - K-Level Reasoning with Large Language Models [80.13817747270029]
急速に発展する環境における意思決定のための大規模言語モデル(LLM)の動的推論機能について検討する。
実世界の動的意思決定の複雑さを反映した2つのゲーム理論に基づくパイロットチャレンジを導入する。
これらの課題は明確に定義されており、LLMの動的推論能力の明確で制御可能で正確な評価を可能にする。
論文 参考訳(メタデータ) (2024-02-02T16:07:05Z) - Reasoning Capacity in Multi-Agent Systems: Limitations, Challenges and
Human-Centered Solutions [14.398238217358116]
推論能力の形式的定義を提示し,システムの各コンポーネント内の制限を識別する上で,その有用性を示す。
そして、これらの制限が、人間のフィードバックを使って推論の欠点を緩和する自己反射的プロセスによってどのように対処できるかについて議論する。
論文 参考訳(メタデータ) (2024-02-02T02:53:11Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - Controlling Large Language Model-based Agents for Large-Scale
Decision-Making: An Actor-Critic Approach [28.477463632107558]
我々はLLaMACと呼ばれるモジュラーフレームワークを開発し、大規模言語モデルにおける幻覚とマルチエージェントシステムにおける協調に対処する。
LLaMACは、人間の脳にあるものに似た値分布をコードし、内部および外部からのフィードバック機構を利用して、モジュール間の協調と反復的推論を促進する。
論文 参考訳(メタデータ) (2023-11-23T10:14:58Z) - Large Process Models: Business Process Management in the Age of
Generative AI [4.249492423406116]
大規模プロセスモデル(LPM)は、大規模言語モデルの相関力と、知識ベースシステムの分析精度と信頼性と、自動推論アプローチを組み合わせる。
LPMは、企業に対して、コンテキスト固有の(適切な)プロセスやその他のビジネスモデル、分析的なディープダイブ、改善のレコメンデーションを受け取ることを可能にする。
論文 参考訳(メタデータ) (2023-09-02T10:32:53Z) - Causal Fairness Analysis [68.12191782657437]
意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。
我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。
本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
論文 参考訳(メタデータ) (2022-07-23T01:06:34Z) - Understanding the Usability Challenges of Machine Learning In
High-Stakes Decision Making [67.72855777115772]
機械学習(ML)は、多種多様な成長を続ける一連のドメインに適用されている。
多くの場合、MLやデータサイエンスの専門知識を持たないドメインの専門家は、ML予測を使用してハイステークな意思決定を行うように求められます。
児童福祉スクリーニングにおけるMLユーザビリティの課題について,児童福祉スクリーニング者との一連のコラボレーションを通じて検討する。
論文 参考訳(メタデータ) (2021-03-02T22:50:45Z)
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。