論文の概要: M\=aori algorithmic sovereignty: idea, principles, and use

• arxiv url: http://arxiv.org/abs/2311.15473v1
• Date: Mon, 27 Nov 2023 01:11:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 17:30:11.246056
• Title: M\=aori algorithmic sovereignty: idea, principles, and use
• Title（参考訳）: M\=aoriアルゴリズムの主権:概念、原則、使用
• Authors: Paul T. Brown, Daniel Wilson, Kiri West, Kirita-Rose Escott, Kiya Basabas, Ben Ritchie, Danielle Lucas, Ivy Taia, Natalie Kusabs, Te Taka Keegan
• Abstract要約: M=アオリデータ主権の原則はよく知られており、研究者や政府機関がM=アオリデータの使用を文化的に適切に導くために用いられている。 このアイデアを定義し、更新された原則とサブプリンシプルを示し、現在使用されているアルゴリズムのデコロン化にどのように使用できるかを強調します。
• 参考スコア（独自算出の注目度）: 0.2902243522110345
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Due to the emergence of data-driven technologies in Aotearoa New Zealand that use M\=aori data, there is a need for values-based frameworks to guide thinking around balancing the tension between the opportunities these create, and the inherent risks that these technologies can impose. Algorithms can be framed as a particular use of data, therefore data frameworks that currently exist can be extended to include algorithms. M\=aori data sovereignty principles are well-known and are used by researchers and government agencies to guide the culturally appropriate use of M\=aori data. Extending these principles to fit the context of algorithms, and re-working the underlying sub-principles to address issues related to responsible algorithms from a M\=aori perspective leads to the M\=aori algorithmic sovereignty principles. We define this idea, present the updated principles and subprinciples, and highlight how these can be used to decolonise algorithms currently in use, and argue that these ideas could potentially be used to developed Indigenised algorithms.
• Abstract（参考訳）: m\=aoriデータを使用するニュージーランドのアオテアロアでデータ駆動技術が出現したため、これらの技術が生み出す機会と、それらのテクノロジーが課す固有のリスクとの緊張をバランスさせるための思考を導くために、価値ベースのフレームワークが必要である。 アルゴリズムは特定のデータの使用としてフレーム化できるため、現在存在するデータフレームワークはアルゴリズムを含むように拡張することができる。 M\=aori データ主権の原則はよく知られており、研究者や政府機関がM\=aoriデータの使用を文化的に適切に導くために用いられている。 これらの原理を拡張してアルゴリズムの文脈に適合させ、M\=aoriの観点から責任あるアルゴリズムに関連する問題に対処するために基礎となるサブ原則を再作業することで、M\=aoriアルゴリズムの主権原則が導かれる。 我々は、このアイデアを定義し、更新された原則とサブプリンシプルを示し、これらが現在使用されているアルゴリズムのデコロン化にどのように使用できるかを強調し、これらのアイデアがIndigenizedアルゴリズムの開発に使用できる可能性を議論する。

関連論文リスト

• Mathematical Algorithm Design for Deep Learning under Societal and Judicial Constraints: The Algorithmic Transparency Requirement [65.26723285209853]
  計算モデルにおける透過的な実装が実現可能かどうかを分析するための枠組みを導出する。 以上の結果から,Blum-Shub-Smale Machinesは,逆問題に対する信頼性の高い解法を確立できる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-01-18T15:32:38Z)
• Comprehensive Algorithm Portfolio Evaluation using Item Response Theory [0.19116784879310023]
  IRTは、単一の分類データセット上での機械学習アルゴリズムのパフォーマンスを評価するために応用されている。 我々は、データセットのリポジトリにまたがるアルゴリズムのポートフォリオを評価するためのIRTベースの修正フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-29T00:48:29Z)
• A Gold Standard Dataset for the Reviewer Assignment Problem [117.59690218507565]
  類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。 私たちのデータセットは、58人の研究者による477の自己申告された専門知識スコアで構成されています。 2つの論文をレビュアーに関連付けるタスクは、簡単なケースでは12%～30%、ハードケースでは36%～43%である。
  論文  参考訳（メタデータ） (2023-03-23T16:15:03Z)
• Multivariate Systemic Risk Measures and Computation by Deep Learning Algorithms [63.03966552670014]
  本稿では,主観的最適度と関連するリスク割り当ての公平性に着目し,重要な理論的側面について論じる。 私たちが提供しているアルゴリズムは、予備項の学習、二重表現の最適化、およびそれに対応する公正なリスク割り当てを可能にします。
  論文  参考訳（メタデータ） (2023-02-02T22:16:49Z)
• Language Model Decoding as Likelihood-Utility Alignment [54.70547032876017]
  モデルの有効性がタスク固有の実用性の概念とどのように一致しているかについて、暗黙の仮定に基づいて、デコード戦略をグループ化する分類法を導入する。 具体的には、様々なタスクの集合における予測の可能性と有用性の相関を解析することにより、提案された分類を裏付ける最初の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2022-10-13T17:55:51Z)
• Ethics lines and Machine learning: a design and simulation of an Association Rules Algorithm for exploiting the data [0.0]
  本研究の目的は,倫理線から生成・収集したデータから生成されたデータを利用するプロセスを提案することである。 私はAprioriアルゴリズムのシミュレーションアプリケーションを提供し、その可能性、強み、限界を見つけるために合成データを供給します。
  論文  参考訳（メタデータ） (2021-10-14T14:01:24Z)
• DAC: Deep Autoencoder-based Clustering, a General Deep Learning Framework of Representation Learning [0.0]
  dac,deep autoencoder-based clustering,深層ニューロンネットワークを用いてクラスタリング表現を学ぶためのデータ駆動フレームワークを提案する。 実験結果から,KMeansクラスタリングアルゴリズムの性能をさまざまなデータセット上で効果的に向上させることができた。
  論文  参考訳（メタデータ） (2021-02-15T11:31:00Z)
• Evolving Reinforcement Learning Algorithms [186.62294652057062]
  メタラーニング強化学習アルゴリズムの手法を提案する。 学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。 従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
  論文  参考訳（メタデータ） (2021-01-08T18:55:07Z)
• Learning Structured Declarative Rule Sets -- A Challenge for Deep Discrete Learning [0.0]
  帰納的ルール学習では、入力を組み合わせて新しい補助概念を学び、その後のルールによって入力として使用できる。 しかし、そのような能力を持つルール学習アルゴリズムの研究はまだ初期段階にあり、この分野における大きな進歩の鍵となる障害の1つである。
  論文  参考訳（メタデータ） (2020-12-08T11:43:16Z)
• Metaheuristic optimization of power and energy systems: underlying principles and main issues of the 'rush to heuristics' [0.0]
  本稿では電力・エネルギーシステムへの適用について考察する。 メタヒューリスティックアルゴリズムを特徴付ける基本原理のセットが提示される。 本稿では,メタヒューリスティックなアルゴリズムを,特定の問題の制約に合うようにカスタマイズする方法について述べる。
  論文  参考訳（メタデータ） (2020-08-17T17:33:51Z)
• Reinforcement Learning as Iterative and Amortised Inference [62.997667081978825]
  我々は、この制御を推論フレームワークとして使用し、償却および反復推論に基づく新しい分類スキームを概説する。 この観点から、比較的探索されていないアルゴリズム設計空間の一部を特定できることを示す。
  論文  参考訳（メタデータ） (2020-06-13T16:10:03Z)

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。