Fugu-MT 論文翻訳(概要): User-Side Realization

論文の概要: User-Side Realization

arxiv url: http://arxiv.org/abs/2403.15757v1
Date: Sat, 23 Mar 2024 08:03:50 GMT
ステータス: 処理完了
システム内更新日: 2024-03-26 21:12:36.463673
Title: User-Side Realization
Title（参考訳）: ユーザサイドの実現
Authors: Ryoma Sato,
Abstract要約: ユーザ側実現は、ユーザの側で共通の問題に対処する汎用アルゴリズムを提供することによって、この問題に対する積極的な解決策を提供する。これらのアルゴリズムはユーザの側で動作し、サービスプロバイダ自身がサービスを変更することなく問題を解決します。
参考スコア（独自算出の注目度）: 17.912507269030577
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Users are dissatisfied with services. Since the service is not tailor-made for a user, it is natural for dissatisfaction to arise. The problem is, that even if users are dissatisfied, they often do not have the means to resolve their dissatisfaction. The user cannot alter the source code of the service, nor can they force the service provider to change. The user has no choice but to remain dissatisfied or quit the service. User-side realization offers proactive solutions to this problem by providing general algorithms to deal with common problems on the user's side. These algorithms run on the user's side and solve the problems without having the service provider change the service itself.
Abstract（参考訳）: ユーザーはサービスに満足していない。サービスはユーザー向けにカスタマイズされていないので、不満が生じるのは当然です。問題は、ユーザーが満足していないとしても、不満を解決する手段がないことだ。ユーザはサービスのソースコードを変更することはできないし、サービスプロバイダに変更を強制することもできない。ユーザーは不満を抱いたままにするか、サービスを辞めるしかない。ユーザ側実現は、ユーザの側で共通の問題に対処する汎用アルゴリズムを提供することによって、この問題に対する積極的な解決策を提供する。これらのアルゴリズムはユーザの側で動作し、サービスプロバイダ自身がサービスを変更することなく問題を解決します。

関連論文リスト

Algorithmic Content Selection and the Impact of User Disengagement [19.14804091327051]
本稿では、不満を抱いた利用者が不満を抱く可能性のあるコンテンツ選択問題に対するモデルを提案する。両腕の期待報酬とユーザ満足度との関係が線形に関係している場合、最適なコンテンツ選択ポリシーを効率的に計算できることを示す。
論文参考訳（メタデータ） (2024-10-17T00:43:06Z)
Are LLM-based methods good enough for detecting unfair terms of service? [67.49487557224415]
大規模言語モデル(LLM)は、長いテキストベースの文書を解析するのに適している。プライバシーポリシーの集合に対して個別に適用された12の質問からなるデータセットを構築します。いくつかのオープンソースモデルは、いくつかの商用モデルと比較して高い精度を提供できる。
論文参考訳（メタデータ） (2024-08-24T09:26:59Z)
Learning from Streaming Data when Users Choose [3.2429724835345692]
多くの競合するサービスからなるデジタルマーケットでは、ユーザーは好みに応じて複数のサービスプロバイダを選択し、選択したサービスはユーザーデータを使用してモデルを漸進的に改善する。サービス提供者のモデルが次のステップでどのサービスを選択するかに影響し、その代わりにユーザの選択がモデルの更新に影響を与え、フィードバックループにつながる。我々は,ユーザ全体の損失を最小限に抑える,シンプルで効率的な分散アルゴリズムを開発した。
論文参考訳（メタデータ） (2024-06-03T16:07:52Z)
User Strategization and Trustworthy Algorithms [81.82279667028423]
ユーザストラテジゼーションがプラットフォームを短期間で支援できることが示されています。そして、それがプラットフォームのデータを破壊し、最終的に反実的な決定を下す能力を損なうことを示します。
論文参考訳（メタデータ） (2023-12-29T16:09:42Z)
Initializing Services in Interactive ML Systems for Diverse Users [29.445931639366325]
異種データ分布を持つ複数のサブポピュレーションにまたがるユーザから対話的に学習するMLシステムについて検討する。そこで本稿では,サービスセットを初期化しながら,ごく少数のユーザの好みデータ収集を適応的に行うランダム化アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-12-19T04:26:12Z)
User Attitudes to Content Moderation in Web Search [49.1574468325115]
我々は、Web検索における誤解を招く可能性のあるコンテンツや攻撃的なコンテンツに適用される様々なモデレーションプラクティスに対するサポートレベルについて検討する。最も支持されている実践は、誤解を招く可能性のあるコンテンツや不快なコンテンツについてユーザーに知らせることであり、最も支持されていないものは、検索結果を完全に削除することである。より保守的なユーザーやウェブ検索結果に対する信頼度が低いユーザーは、ウェブ検索におけるコンテンツモデレーションに反する傾向にある。
論文参考訳（メタデータ） (2023-10-05T10:57:15Z)
Eliciting User Preferences for Personalized Multi-Objective Decision Making through Comparative Feedback [76.7007545844273]
目的に対して異なるユーザの好みに対応する多目的意思決定フレームワークを提案する。我々のモデルは、ベクトル値の報酬関数を持つマルコフ決定プロセスで構成され、各ユーザが未知の選好ベクトルを持つ。少数の比較クエリを用いて,ユーザに対してほぼ最適なポリシを求めるアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-02-07T23:58:19Z)
Contextual Bandit Applications in Customer Support Bot [8.339868677201062]
文脈的包帯のような適応型学習技術は、この問題設定に自然に適合する。本稿では,Microsoft仮想エージェントのコンテキスト帯の現実的実装について論じる。その結果,問題解決率の12%以上の相対的な増加と,操作者に対するエスカレーションの4%以上の相対的な減少が得られた。
論文参考訳（メタデータ） (2021-12-06T18:07:34Z)
Low-Cost Algorithmic Recourse for Users With Uncertain Cost Functions [74.00030431081751]
本稿では,ユーザ固有のコスト関数の概念を定式化し,ユーザのための行動可能なリコースを識別する新しい手法を提案する。本手法は,強いベースライン法に比べて最大25.89パーセントのユーザを満足させる。
論文参考訳（メタデータ） (2021-11-01T19:49:35Z)
User Intention Recognition and Requirement Elicitation Method for Conversational AI Services [7.941589241861105]
私たちは、できるだけ少数のラウンドで、ユーザー要求を正確に取得することを目指しています。ファジィ要件推論のための知識グラフ(KG)に基づくユーザ意図認識手法を開発した。ダイアログポリシ生成のために,グラニュラーコンピューティングに基づく要件抽出手法を提案した。
論文参考訳（メタデータ） (2020-09-03T08:26:39Z)
Unsupervised Model Personalization while Preserving Privacy and Scalability: An Open Problem [55.21502268698577]
本研究では,非教師なしモデルパーソナライゼーションの課題について検討する。この問題を探求するための新しいDual User-Adaptation Framework(DUA)を提供する。このフレームワークは、サーバ上のモデルパーソナライズとユーザデバイス上のローカルデータ正規化に柔軟にユーザ適応を分散させる。
論文参考訳（メタデータ） (2020-03-30T09:35:12Z)

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。