Fugu-MT 論文翻訳(概要): xLP: Explainable Link Prediction for Master Data Management

論文の概要: xLP: Explainable Link Prediction for Master Data Management

arxiv url: http://arxiv.org/abs/2403.09806v1
Date: Thu, 14 Mar 2024 18:53:44 GMT
ステータス: 処理完了
システム内更新日: 2024-03-18 21:25:23.869707
Title: xLP: Explainable Link Prediction for Master Data Management
Title（参考訳）: xLP: マスターデータ管理のための説明可能なリンク予測
Authors: Balaji Ganesan, Matheen Ahmed Pasha, Srinivasa Parkala, Neeraj R Singh, Gayatri Mishra, Sumit Bhatia, Hima Patel, Somashekar Naganna, Sameep Mehta,
Abstract要約: このデモでは、ユーザがより快適な説明を選択できるように、リンク予測に関する説明を創造的な方法で提示する。マスタデータ管理におけるリンク予測のために,解釈可能性,事実検証,パスランキング,ニューロシンボリック推論,自己説明型AIなど,さまざまな説明可能性ソリューションを構築した。
参考スコア（独自算出の注目度）: 8.725503014509766
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Explaining neural model predictions to users requires creativity. Especially in enterprise applications, where there are costs associated with users' time, and their trust in the model predictions is critical for adoption. For link prediction in master data management, we have built a number of explainability solutions drawing from research in interpretability, fact verification, path ranking, neuro-symbolic reasoning and self-explaining AI. In this demo, we present explanations for link prediction in a creative way, to allow users to choose explanations they are more comfortable with.
Abstract（参考訳）: ユーザにニューラルモデル予測を説明するには、創造性が必要です。特にエンタープライズアプリケーションでは、ユーザの時間にまつわるコストがあり、モデル予測に対する信頼が採用に欠かせない。マスタデータ管理におけるリンク予測のために,解釈可能性,事実検証,パスランキング,ニューロシンボリック推論,自己説明型AIなど,さまざまな説明可能性ソリューションを構築した。このデモでは、ユーザがより快適な説明を選択できるように、リンク予測に関する説明を創造的な方法で提示する。

関連論文リスト

XForecast: Evaluating Natural Language Explanations for Time Series Forecasting [72.57427992446698]
時系列予測は、特に正確な予測に依存するステークホルダーにとって、意思決定を支援する。伝統的に説明可能なAI(XAI)メソッドは、機能や時間的重要性を基盤とするものであり、専門家の知識を必要とすることが多い。時系列データにおける複雑な因果関係のため,予測NLEの評価は困難である。
論文参考訳（メタデータ） (2024-10-18T05:16:39Z)
LinkLogic: A New Method and Benchmark for Explainable Knowledge Graph Predictions [0.5999777817331317]
本稿では、LinkLogicと呼ばれる単純なリンク予測説明法について詳細に検討する。 FB13データセットに存在する家族構造に基づいて,最初のリンク予測説明ベンチマークを構築した。
論文参考訳（メタデータ） (2024-06-02T20:22:22Z)
Evaluating the Utility of Model Explanations for Model Development [54.23538543168767]
機械学習モデル構築の実践シナリオにおいて、説明が人間の意思決定を改善するかどうかを評価する。驚いたことに、サリエンシマップが提供されたとき、タスクが大幅に改善されたという証拠は見つからなかった。以上の結果から,サリエンシに基づく説明における誤解の可能性と有用性について注意が必要であることが示唆された。
論文参考訳（メタデータ） (2023-12-10T23:13:23Z)
Explaining Explainability: Towards Deeper Actionable Insights into Deep Learning through Second-order Explainability [70.60433013657693]
2階説明可能なAI(SOXAI)は、最近インスタンスレベルからデータセットレベルまで説明可能なAI(XAI)を拡張するために提案されている。そこで本研究では,SOXAIの動作可能な洞察に基づくトレーニングセットから無関係な概念を除外することで,モデルの性能を向上させることができることを示す。
論文参考訳（メタデータ） (2023-06-14T23:24:01Z)
UKP-SQuARE v2 Explainability and Adversarial Attacks for Trustworthy QA [47.8796570442486]
質問回答システムは、現実の意思決定をサポートするアプリケーションにますますデプロイされています。本質的に解釈可能なモデルやポストホックな説明可能性メソッドは、モデルがその予測にどのように到着するかをユーザが理解するのに役立ちます。 SQuAREの新バージョンであるSQuARE v2を導入し、モデルを比較するための説明可能性インフラストラクチャを提供する。
論文参考訳（メタデータ） (2022-08-19T13:01:01Z)
Counterfactual Explanations for Predictive Business Process Monitoring [0.90238471756546]
本稿では,予測プロセス監視のための対実的説明手法であるLORELEYを提案する。 LORELEYは平均忠実度97.69%の予測モデルを近似し、現実的な対実的な説明を生成する。
論文参考訳（メタデータ） (2022-02-24T11:01:20Z)
XAI-KG: knowledge graph to support XAI and decision-making in manufacturing [0.5872014229110215]
本稿では,予測,予測説明,推奨意思決定オプション,ユーザ行動に関するフィードバック収集を支援するオントロジーと知識グラフを提案する。このように、予測モデル、説明、意思決定オプションの推奨を改善する手段を提供する。
論文参考訳（メタデータ） (2021-05-05T08:42:07Z)
Teaching the Machine to Explain Itself using Domain Knowledge [4.462334751640166]
非技術的人間-ループは、モデル予測の背後にある理論的根拠を理解するのに苦労する。本稿では、意思決定タスクと関連する説明を共同で学習するニューラルネットワークベースのフレームワークJOELを提案する。認定された専門家のプールからドメインフィードバックを収集し、それをモデル(人間の教え)を改善するために利用します。
論文参考訳（メタデータ） (2020-11-27T18:46:34Z)
Don't Explain without Verifying Veracity: An Evaluation of Explainable AI with Video Activity Recognition [24.10997778856368]
本稿では,知的システムにおけるユーザパフォーマンスと合意の妥当性がいかに影響するかを考察する。ビデオレビューと問合せ作業における説明精度のばらつきを比較した。その結果,信頼性の低い説明がユーザパフォーマンスと合意を著しく低下させることが示唆された。
論文参考訳（メタデータ） (2020-05-05T17:06:46Z)
A general framework for scientifically inspired explanations in AI [76.48625630211943]
我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
論文参考訳（メタデータ） (2020-03-02T10:32:21Z)
An Information-Theoretic Approach to Personalized Explainable Machine Learning [92.53970625312665]
本稿では,予測とユーザ知識のための簡易確率モデルを提案する。説明と予測の間の条件付き相互情報による説明の効果を定量化する。
論文参考訳（メタデータ） (2020-03-01T13:06:29Z)

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。