Fugu-MT 論文翻訳(概要): A Sim2Real Approach for Identifying Task-Relevant Properties in Interpretable Machine Learning

論文の概要: A Sim2Real Approach for Identifying Task-Relevant Properties in Interpretable Machine Learning

arxiv url: http://arxiv.org/abs/2406.00116v1
Date: Fri, 31 May 2024 18:08:35 GMT
ステータス: 処理完了
システム内更新日: 2024-06-06 08:33:32.415824
Title: A Sim2Real Approach for Identifying Task-Relevant Properties in Interpretable Machine Learning
Title（参考訳）: 解釈可能な機械学習におけるタスク関連特性の同定のためのSim2Realアプローチ
Authors: Eura Nofshin, Esther Brown, Brian Lim, Weiwei Pan, Finale Doshi-Velez,
Abstract要約: 本稿では,シリコのタスク関連説明特性を一般化し,コスト効率を向上する手法を提案する。提案手法は,3つの実例に対して関連するプロキシを同定し,実ユーザによるシミュレーションの有効性を検証する。
参考スコア（独自算出の注目度）: 18.965568482077344
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Existing user studies suggest that different tasks may require explanations with different properties. However, user studies are expensive. In this paper, we introduce a generalizable, cost-effective method for identifying task-relevant explanation properties in silico, which can guide the design of more expensive user studies. We use our approach to identify relevant proxies for three example tasks and validate our simulation with real user studies.
Abstract（参考訳）: 既存のユーザー研究は、異なるタスクは異なる特性を持つ説明を必要とするかもしれないことを示唆している。しかし、ユーザスタディは高価である。本稿では,シリコにおけるタスク関連説明特性を識別する汎用的で費用対効果の高い手法を提案する。提案手法は,3つの実例に対して関連するプロキシを同定し,実ユーザによるシミュレーションの有効性を検証する。

関連論文リスト

Distribution Matching for Multi-Task Learning of Classification Tasks: a Large-Scale Study on Faces & Beyond [62.406687088097605]
マルチタスク学習(MTL)は、複数の関連するタスクを共同で学習し、共有表現空間から恩恵を受けるフレームワークである。 MTLは、ほとんど重複しない、あるいは重複しないアノテーションで分類タスクで成功することを示す。本稿では,分散マッチングによるタスク間の知識交換を可能にする新しい手法を提案する。
論文参考訳（メタデータ） (2024-01-02T14:18:11Z)
Assisting Human Decisions in Document Matching [52.79491990823573]
我々は,意思決定者のパフォーマンスを向上する支援情報の種類を評価するためのプロキシマッチングタスクを考案した。ブラックボックスモデルによる説明を提供することで,マッチング作業におけるユーザの精度が低下することが判明した。一方,タスク固有のデシラタに密接に対応するように設計されたカスタムメソッドは,ユーザのパフォーマンス向上に有効であることが判明した。
論文参考訳（メタデータ） (2023-02-16T17:45:20Z)
A Case Study on Designing Evaluations of ML Explanations with Simulated User Studies [6.2511886555343805]
我々は、実世界のユースケースでSimEvalsを初めて実施し、eコマース不正検出においてMLによる意思決定を支援することができるかどうかを評価する。 SimEvalsは、すべての考慮された説明者は同等にパフォーマンスがあり、説明なしではベースラインに勝てないことを示唆している。
論文参考訳（メタデータ） (2023-02-15T03:27:55Z)
Complementary Explanations for Effective In-Context Learning [77.83124315634386]
大規模言語モデル (LLM) は、説明のインプロンプトから学習する際、顕著な能力を示した。この研究は、文脈内学習に説明が使用されるメカニズムをよりよく理解することを目的としている。
論文参考訳（メタデータ） (2022-11-25T04:40:47Z)
Use-Case-Grounded Simulations for Explanation Evaluation [23.584251632331046]
シミュレーション評価(SimEvals)について紹介する。 SimEvalsは、人間の被験者の被験者に提示される情報の内容を入力するアルゴリズムエージェントを訓練する。実世界の3つのユースケースについて総合的な評価を行い、Simevalsが各ユースケースにおいてどの説明方法が人間に役立つかを効果的に特定できることを実証した。
論文参考訳（メタデータ） (2022-06-05T20:12:19Z)
An Empirical Investigation of Representation Learning for Imitation [76.48784376425911]
視覚、強化学習、NLPにおける最近の研究は、補助的な表現学習の目的が、高価なタスク固有の大量のデータの必要性を減らすことを示している。本稿では,表現学習アルゴリズムを構築するためのモジュラーフレームワークを提案する。
論文参考訳（メタデータ） (2022-05-16T11:23:42Z)
Reciprocal Feature Learning via Explicit and Implicit Tasks in Scene Text Recognition [60.36540008537054]
本研究では,従来のテキスト認識における文字数カウントという暗黙のタスクを,追加的な注釈コストなしで発掘する。両タスクの機能を適切に活用するために,2分岐の相反的特徴学習フレームワークを設計する。 7つのベンチマークの実験では、テキスト認識と新しい文字カウントタスクの両方において提案手法の利点が示されている。
論文参考訳（メタデータ） (2021-05-13T12:27:35Z)
Reinforcement Learning with Prototypical Representations [114.35801511501639]
Proto-RLは、プロトタイプ表現を通じて表現学習と探索を結び付ける自己監督型フレームワークである。これらのプロトタイプは、エージェントの探索経験の要約と同時に、観察を表す基盤としても機能する。これにより、困難な連続制御タスクのセットで最新の下流ポリシー学習が可能になります。
論文参考訳（メタデータ） (2021-02-22T18:56:34Z)
From Demonstrations to Task-Space Specifications: Using Causal Analysis to Extract Rule Parameterization from Demonstrations [16.330400985738205]
本研究では,人間の実演から抽出した異なるユーザ行動型の生成モデルを学習することが可能であることを示す。これらのモデルを使って、ユーザタイプを区別し、重複するソリューションのケースを見つけます。本手法は, 99%[97.8～99.8]の症例において, 所定の時間内に正しい型を同定し, IRLベースラインを上回った。
論文参考訳（メタデータ） (2020-06-08T00:21:13Z)

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。