論文の概要: AI Competitions and Benchmarks: Dataset Development

• arxiv url: http://arxiv.org/abs/2404.09703v1
• Date: Mon, 15 Apr 2024 12:01:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-16 12:30:43.256736
• Title: AI Competitions and Benchmarks: Dataset Development
• Title（参考訳）: AIコンペティションとベンチマーク:データセット開発
• Authors: Romain Egele, Julio C. S. Jacques Junior, Jan N. van Rijn, Isabelle Guyon, Xavier Baró, Albert Clapés, Prasanna Balaprakash, Sergio Escalera, Thomas Moeslund, Jun Wan,
• Abstract要約: 本章では,我々の実践経験に富んだ,確立した方法論ツールの概要について概観する。 データセット開発に関わるタスクを開発し、その効果的な管理に関する洞察を提供する。 次に、データ収集、変換、品質評価を含む実装プロセスの詳細について述べる。
• 参考スコア（独自算出の注目度）: 42.164845505628506
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning is now used in many applications thanks to its ability to predict, generate, or discover patterns from large quantities of data. However, the process of collecting and transforming data for practical use is intricate. Even in today's digital era, where substantial data is generated daily, it is uncommon for it to be readily usable; most often, it necessitates meticulous manual data preparation. The haste in developing new models can frequently result in various shortcomings, potentially posing risks when deployed in real-world scenarios (eg social discrimination, critical failures), leading to the failure or substantial escalation of costs in AI-based projects. This chapter provides a comprehensive overview of established methodological tools, enriched by our practical experience, in the development of datasets for machine learning. Initially, we develop the tasks involved in dataset development and offer insights into their effective management (including requirements, design, implementation, evaluation, distribution, and maintenance). Then, we provide more details about the implementation process which includes data collection, transformation, and quality evaluation. Finally, we address practical considerations regarding dataset distribution and maintenance.
• Abstract（参考訳）: 機械学習は、大量のデータからパターンを予測、生成、発見する能力のおかげで、今では多くのアプリケーションで使われている。 しかし,データ収集・変換のプロセスは複雑である。 毎日大量のデータが生成される今日のデジタル時代でも、簡単に使えることは珍しく、多くの場合、細心の注意を払って手動でデータを作成する必要がある。 新たなモデルの開発の急激さは、現実のシナリオ(社会的差別、批判的失敗など)にデプロイされた場合のリスクを生じさせる恐れがあり、AIベースのプロジェクトにおける失敗やコストの大幅な増大につながる。 この章では、機械学習のためのデータセットの開発において、我々の実践経験に富んだ確立した方法論ツールの概要を概観する。 当初、私たちはデータセット開発に関わるタスクを開発し、その効果的な管理(要求、設計、実装、評価、配布、保守など)に関する洞察を提供します。 次に、データ収集、変換、品質評価を含む実装プロセスの詳細について述べる。 最後に,データセットの分布と保守に関する実践的考察について述べる。

関連論文リスト

• Machine Learning Data Practices through a Data Curation Lens: An Evaluation Framework [1.5993707490601146]
  機械学習におけるデータプラクティスをデータキュレーションの実践として評価する。 機械学習の研究者たちは、しばしばモデル開発を強調するが、標準的なデータキュレーションの原則を適用するのに苦労している。
  論文  参考訳（メタデータ） (2024-05-04T16:21:05Z)
• Leveraging Large Language Model for Automatic Evolving of Industrial Data-Centric R&D Cycle [20.30730316993658]
  データ駆動型ソリューションは、無数の産業課題に対処するための強力なツールとして登場しています。 データ中心のR&Dはこれらのソリューションを活用する上で重要な役割を担っているが、人間、計算、時間資源といった面では大きなコストが伴うことが多い。 本稿では,データ中心R&Dの進化サイクルを早めるために,大規模言語モデル(LLM)の可能性について検討する。
  論文  参考訳（メタデータ） (2023-10-17T13:18:02Z)
• Optimizing the AI Development Process by Providing the Best Support Environment [0.756282840161499]
  機械学習の主なステージは、問題理解、データ管理、モデル構築、モデル展開、メンテナンスである。 このフレームワークは、ディープラーニングの進歩を使ってデータ拡張を実行するために、python言語を使用して構築された。
  論文  参考訳（メタデータ） (2023-04-29T00:44:50Z)
• Data Quality Over Quantity: Pitfalls and Guidelines for Process Analytics [0.8399688944263843]
  データ前処理は、現実の人工知能アプリケーションの成功に大きな影響を与えている。 本稿では,産業時系列データの事前処理に関する実践的考察を行い,信頼性の高いソフトセンサの効率的な開発について報告する。
  論文  参考訳（メタデータ） (2022-11-11T19:01:21Z)
• Learnware: Small Models Do Big [69.88234743773113]
  自然言語処理やコンピュータビジョンの応用で目覚ましい成果を上げてきた、一般的なビッグモデルパラダイムは、これらの問題にまだ対応していないが、炭素排出量の深刻な源となっている。 この記事では、マシンラーニングモデルをスクラッチから構築する必要がないようにするための学習ソフトウェアパラダイムの概要を紹介します。
  論文  参考訳（メタデータ） (2022-10-07T15:55:52Z)
• Kubric: A scalable dataset generator [73.78485189435729]
  KubricはPythonフレームワークで、PyBulletやBlenderとインターフェースして写真リアリスティックなシーンを生成する。 本研究では,3次元NeRFモデルの研究から光フロー推定まで,13種類の異なるデータセットを提示することで,Kubricの有効性を実証する。
  論文  参考訳（メタデータ） (2022-03-07T18:13:59Z)
• Understanding the World Through Action [91.3755431537592]
  ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。 このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
  論文  参考訳（メタデータ） (2021-10-24T22:33:52Z)
• Data and its (dis)contents: A survey of dataset development and use in machine learning research [11.042648980854487]
  機械学習におけるデータの収集と利用方法に関する多くの懸念を調査します。 この分野の実践的かつ倫理的な問題のいくつかに対処するには、データのより慎重で徹底した理解が必要であると主張する。
  論文  参考訳（メタデータ） (2020-12-09T22:13:13Z)
• Synthetic Data: Opening the data floodgates to enable faster, more directed development of machine learning methods [96.92041573661407]
  機械学習における画期的な進歩の多くは、大量のリッチデータを利用できることに起因する。 多くの大規模データセットは、医療データなど高度に敏感であり、機械学習コミュニティでは広く利用できない。 プライバシー保証で合成データを生成することは、そのようなソリューションを提供します。
  論文  参考訳（メタデータ） (2020-12-08T17:26:10Z)
• DeGAN : Data-Enriching GAN for Retrieving Representative Samples from a Trained Classifier [58.979104709647295]
  我々は、トレーニングされたネットワークの将来の学習タスクのために、利用可能なデータの豊富さと関連するデータの欠如の間のギャップを埋める。 利用可能なデータは、元のトレーニングデータセットまたは関連するドメインデータセットの不均衡なサブセットである可能性があるため、代表サンプルを検索するために使用します。 関連ドメインからのデータを活用して最先端のパフォーマンスを実現することを実証する。
  論文  参考訳（メタデータ） (2019-12-27T02:05:45Z)

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。