Fugu-MT 論文翻訳(概要): Expert-Driven Monitoring of Operational ML Models

論文の概要: Expert-Driven Monitoring of Operational ML Models

arxiv url: http://arxiv.org/abs/2401.11993v1
Date: Mon, 22 Jan 2024 14:46:41 GMT
ステータス: 処理完了
システム内更新日: 2024-01-23 13:46:06.254798
Title: Expert-Driven Monitoring of Operational ML Models
Title（参考訳）: 運用mlモデルのエキスパート駆動モニタリング
Authors: Joran Leest, Claudia Raibulet, Ilias Gerostathopoulos, Patricia Lago
Abstract要約: 機械学習(ML)モデルにおけるコンセプトドリフトの検出と緩和を強化するためのエキスパートモニタリングを提案する。提案手法は, ドリフト誘導イベントに関するドメインの専門知識を統合し, この専門知識をオンコール職員に提供し, 実践者を支援する。
参考スコア（独自算出の注目度）: 11.118653703503599
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose Expert Monitoring, an approach that leverages domain expertise to enhance the detection and mitigation of concept drift in machine learning (ML) models. Our approach supports practitioners by consolidating domain expertise related to concept drift-inducing events, making this expertise accessible to on-call personnel, and enabling automatic adaptability with expert oversight.
Abstract（参考訳）: 我々は、機械学習(ML)モデルにおける概念ドリフトの検出と緩和を強化するために、ドメインの専門知識を活用するアプローチであるExpert Monitoringを提案する。提案手法は, ドリフト誘導イベントに関するドメインの専門知識を統合し, この専門知識をオンコール担当者に公開し, 専門家の監視による自動適応性を実現することによって, 実践者を支援する。

関連論文リスト

Offline Imitation Learning with Model-based Reverse Augmentation [48.64791438847236]
本稿では,自己ペースの逆拡張によるオフラインImitation Learningという,新しいモデルベースフレームワークを提案する。具体的には、オフラインのデモからリバース・ダイナミック・モデルを構築し、専門家が観察した状態につながる軌道を効率的に生成する。後続の強化学習法を用いて,拡張軌道から学習し,未観測状態から未観測状態へ移行する。
論文参考訳（メタデータ） (2024-06-18T12:27:02Z)
An Explanatory Model Steering System for Collaboration between Domain Experts and AI [4.398998634035531]
本稿では、ドメインエキスパートがドメイン知識を用いて予測モデルを操れるような説明モデルステアリングシステムを提案する。このシステムには、さまざまなタイプのデータ中心とモデル中心の説明を組み合わせた説明ダッシュボードが含まれている。我々の研究は、モデルステアリングにおけるドメインエキスパートの関与の重要性を強調し、最終的には人間とAIのコラボレーションの改善につながった。
論文参考訳（メタデータ） (2024-05-17T07:27:48Z)
DEEM: Dynamic Experienced Expert Modeling for Stance Detection [22.826544082557316]
本稿では,動的経験的エキスパートモデリング(DEEM)手法を提案する。実験の結果, DEEMは3つの標準ベンチマークで常に最良の結果が得られることがわかった。
論文参考訳（メタデータ） (2024-02-23T11:24:00Z)
Visualizing Transferred Knowledge: An Interpretive Model of Unsupervised Domain Adaptation [70.85686267987744]
教師なしのドメイン適応問題は、ラベル付きソースドメインからラベルなしターゲットドメインに知識を転送することができる。本稿では、翻訳された知識の謎を視覚的に明らかにする最初の試みとして、教師なしドメイン適応の解釈モデルを提案する。提案手法は,ベースモデルの予測を直感的に説明し,画像パッチをソースドメインとターゲットドメインの両方で同一のセマンティクスとマッチングすることで伝達知識を公開する。
論文参考訳（メタデータ） (2023-03-04T03:02:12Z)
Measuring Competency of Machine Learning Systems and Enforcing Reliability [0.0]
機械学習エージェントの能力に及ぼす環境条件の影響について検討する。機械学習エージェントの戦略と性能に影響を与える条件の表現を学習する。
論文参考訳（メタデータ） (2022-12-02T19:37:37Z)
The Ability of Image-Language Explainable Models to Resemble Domain Expertise [0.0]
ブラックボックス深層学習モデルの課題を克服するために,ローカルサロゲート説明可能性手法を用いて検討した。このような説明は、この分野におけるデータサイエンティストや機械学習エンジニアのためのモデルトレーニングの指導に有用なフィードバックとなることを実証する。
論文参考訳（メタデータ） (2022-09-19T19:09:51Z)
Human-in-the-Loop Large-Scale Predictive Maintenance of Workstations [89.51621054382878]
予測保守(英: Predictive maintenance, PdM)とは、システムの状態の統計的解析に基づいて、保守作業のスケジューリングを行うタスクである。本稿では,機械学習システムがワークステーションの集合における将来の問題を予測できるPdM手法を提案する。
論文参考訳（メタデータ） (2022-06-23T09:40:46Z)
Perspectives on Incorporating Expert Feedback into Model Updates [46.99664744930785]
専門家のフィードバックタイプと実践者の更新とを一致させる分類法を考案する。実践者は、観察レベルまたはドメインレベルの専門家からフィードバックを受けることができる。我々は、このフィードバック更新分類について、MLと人間とコンピュータの相互作用による既存の研究を概観する。
論文参考訳（メタデータ） (2022-05-13T21:46:55Z)
Soft Expert Reward Learning for Vision-and-Language Navigation [94.86954695912125]
VLN(Vision-and-Language Navigation)は、エージェントが自然言語の指示に従うことで、目に見えない環境で特定の場所を見つける必要がある。本稿では,VLNタスクの工学的設計と一般化問題を克服するために,ソフトエキスパート・リワード・ラーニング(SERL)モデルを導入する。
論文参考訳（メタデータ） (2020-07-21T14:17:36Z)
Multiple Expert Brainstorming for Domain Adaptive Person Re-identification [140.3998019639158]
本稿では、ドメイン適応型人物再IDのための複数の専門家ブレインストーミングネットワーク(MEB-Net)を提案する。 MEB-Netは、異なるアーキテクチャを持つ複数のネットワークをソースドメイン内で事前トレーニングする、相互学習戦略を採用している。大規模データセットの実験は、最先端技術よりもMEB-Netの方が優れた性能を示している。
論文参考訳（メタデータ） (2020-07-03T08:16:19Z)

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。