論文の概要: AI and Entrepreneurship: Facial Recognition Technology Detects Entrepreneurs, Outperforming Human Experts
- arxiv url: http://arxiv.org/abs/2409.03765v1
- Date: Mon, 19 Aug 2024 22:45:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-15 05:41:23.418241
- Title: AI and Entrepreneurship: Facial Recognition Technology Detects Entrepreneurs, Outperforming Human Experts
- Title（参考訳）: AIと起業家育成: 顔認識技術は起業家を検知し、優れた人材を育成する
- Authors: Martin Obschonka, Christian Fisch, Tharindu Fernando, Clinton Fookes,
- Abstract要約: ディープニューラルネットワークは、高い精度で単一の顔画像に基づいて、個人を起業家として分類することができる。
我々は、畳み込みニューラルネットワーク(CNN)を訓練し、その分類性能を評価した。
- 参考スコア（独自算出の注目度）: 20.569359594397866
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Occupational outcomes like entrepreneurship are generally considered personal information that individuals should have the autonomy to disclose. With the advancing capability of artificial intelligence (AI) to infer private details from widely available human-centric data, such as social media, it is crucial to investigate whether AI can accurately extract private occupational information from such data. In this study, we demonstrate that deep neural networks can classify individuals as entrepreneurs based on a single facial image with high accuracy in data sourced from Crunchbase, a premier source for entrepreneurship data. Utilizing a dataset comprising facial images of 40,728 individuals, including both entrepreneurs and non-entrepreneurs, we trained a Convolutional Neural Network (CNN) and evaluated its classification performance. While human experts (n=650) and trained participants (n=133) were unable to classify entrepreneurs with accuracy above chance levels (>50%), the AI model achieved a classification accuracy of 79.51%. Several robustness tests show that this high level of accuracy is maintained under various conditions.
- Abstract（参考訳）: 起業のような職業的成果は一般に個人が開示する自主性を持つべき個人情報とみなされる。
ソーシャルメディアなど、広く利用可能な人間中心のデータから個人情報を推測する人工知能(AI)の進歩により、AIがそのようなデータから個人的職業情報を正確に抽出できるかどうかを調査することが不可欠である。
本研究では、深層ニューラルネットワークが、起業家データの主要なソースであるCrunchbaseから得られたデータの精度の高い単一の顔画像に基づいて、個人を起業家として分類できることを実証する。
起業家と非起業家の両方を含む40,728人の顔画像からなるデータセットを用いて、畳み込みニューラルネットワーク(CNN)を訓練し、その分類性能を評価した。
人間の専門家 (n=650) と訓練された参加者 (n=133) は起業家を50%以上の精度で分類できなかったが、AIモデルは79.51%の精度を達成した。
いくつかのロバスト性試験は、この高い精度が様々な条件下で維持されていることを示している。
関連論文リスト
- Understanding Generative AI Content with Embedding Models [4.662332573448995]
この研究は、現代のディープニューラルネットワーク(DNN)の内部表現を、従来の機能エンジニアリングの自動化形式として捉えている。
これらの埋め込みは、非構造化サンプルデータに解釈可能で高レベルな概念を明らかにすることができることを示す。
実データとAIモデルから生成されたデータの間には、本質的に分離性が存在するという実証的な証拠が見つかる。
論文 参考訳（メタデータ） (2024-08-19T22:07:05Z) - Is my Data in your AI Model? Membership Inference Test with Application to Face Images [18.402616111394842]
この記事では、AI/MLモデルのトレーニング中に与えられたデータが使用されているかどうかを経験的に評価することを目的とした新しいアプローチである、メンバシップ推論テスト(MINT)を紹介します。
本稿では,学習過程に使用されるデータに監査モデルが露出した場合に現れるアクティベーションパターンを学習するための2つのMINTアーキテクチャを提案する。
実験は6つの公開データベースを使って行われ、合計で2200万以上の顔画像で構成されている。
論文 参考訳（メタデータ） (2024-02-14T15:09:01Z) - Human-Centric Multimodal Machine Learning: Recent Advances and Testbed
on AI-based Recruitment [66.91538273487379]
人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。
i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
論文 参考訳（メタデータ） (2023-02-13T16:44:44Z) - AI-enabled exploration of Instagram profiles predicts soft skills and
personality traits to empower hiring decisions [0.0]
我々は、Instagramのプロフィールから、16のオンデマンドソフトスキルからなる幅広い行動能力を自動的に予測できることを示した。
モデルは、オンラインアンケートに回答し、Instagramのユーザー名を提供した400人のイランのボランティアユーザーのサンプルに基づいて構築された。
ディープラーニングモデルは、それぞれ2レベルと3レベルの分類において、70%と69%の平均精度を示すことで、主にパフォーマンスを向上した。
論文 参考訳（メタデータ） (2022-12-14T07:35:11Z) - SF-PATE: Scalable, Fair, and Private Aggregation of Teacher Ensembles [50.90773979394264]
本稿では、個人の機密情報のプライバシーを保護しつつ、差別的でない予測者の学習を可能にするモデルについて検討する。
提案モデルの主な特徴は、プライバシ保護とフェアモデルを作成するために、オフ・ザ・セルフと非プライベートフェアモデルの採用を可能にすることである。
論文 参考訳（メタデータ） (2022-04-11T14:42:54Z) - Skill Preferences: Learning to Extract and Execute Robotic Skills from
Human Feedback [82.96694147237113]
Skill Preferencesは、人間の好みよりもモデルを学習し、オフラインデータから人間に沿ったスキルを抽出するアルゴリズムである。
SkiPは複雑なマルチステップ操作タスクをシミュレートしたキッチンロボットで実現できることを示す。
論文 参考訳（メタデータ） (2021-08-11T18:04:08Z) - Differentially Private and Fair Deep Learning: A Lagrangian Dual
Approach [54.32266555843765]
本稿では,個人の機密情報のプライバシを保護するとともに,非差別的予測器の学習を可能にするモデルについて検討する。
この方法は、微分プライバシーの概念と、公正性制約を満たすニューラルネットワークの設計にラグランジアン双対性(Lagrangian duality)を用いることに依存している。
論文 参考訳（メタデータ） (2020-09-26T10:50:33Z) - Bias in Multimodal AI: Testbed for Fair Automatic Recruitment [73.85525896663371]
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
我々は、性別や人種の偏りを意識的に評価したマルチモーダルな合成プロファイルを用いて、自動求人アルゴリズムを訓練する。
我々の方法論と結果は、一般により公平なAIベースのツール、特により公平な自動採用システムを生成する方法を示している。
論文 参考訳（メタデータ） (2020-04-15T15:58:05Z) - Investigating the Impact of Inclusion in Face Recognition Training Data
on Individual Face Identification [93.5538147928669]
最新のオープンソースの顔認識システムであるArcFaceを、100万枚以上の散らばった画像を用いた大規模な顔識別実験で監査する。
モデルのトレーニングデータには79.71%、存在しない人には75.73%のランク1顔認証精度がある。
論文 参考訳（メタデータ） (2020-01-09T15:50:28Z)
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。