論文の概要: Machine Learning and Theory Ladenness -- A Phenomenological Account

• arxiv url: http://arxiv.org/abs/2409.11277v1
• Date: Tue, 17 Sep 2024 15:29:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-18 15:57:32.597116
• Title: Machine Learning and Theory Ladenness -- A Phenomenological Account
• Title（参考訳）: 機械学習と理論遅延-現象学的考察
• Authors: Alberto Termine, Emanuele Ratti, Alessandro Facchini,
• Abstract要約: 両者の立場は単純すぎるし、MLメソッドとドメイン理論間の相互作用の理解を前進させるものではない、と我々は主張する。 分析の結果、モデルの構築はドメイン理論とは比較的独立しているが、特定のドメイン内でのモデルの実装と解釈は、基本的な理論的仮定と背景知識に依存していることが明らかとなった。
• 参考スコア（独自算出の注目度）: 44.99833362998488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, the dissemination of machine learning (ML) methodologies in scientific research has prompted discussions on theory ladenness. More specifically, the issue of theory ladenness has remerged as questions about whether and how ML models (MLMs) and ML modelling strategies are impacted by the domain theory of the scientific field in which ML is used and implemented (e.g., physics, chemistry, biology, etc). On the one hand, some have argued that there is no difference between traditional (pre ML) and ML assisted science. In both cases, theory plays an essential and unavoidable role in the analysis of phenomena and the construction and use of models. Others have argued instead that ML methodologies and models are theory independent and, in some cases, even theory free. In this article, we argue that both positions are overly simplistic and do not advance our understanding of the interplay between ML methods and domain theories. Specifically, we provide an analysis of theory ladenness in ML assisted science. Our analysis reveals that, while the construction of MLMs can be relatively independent of domain theory, the practical implementation and interpretation of these models within a given specific domain still relies on fundamental theoretical assumptions and background knowledge.
• Abstract（参考訳）: 近年、科学研究における機械学習(ML)の方法論の普及は、理論の怠慢に関する議論を引き起こしている。 より具体的には、MLモデル(MLM)とMLモデリング戦略がMLの使用と実装の分野(物理、化学、生物学など)のドメイン理論にどのように影響するかという質問として、理論の怠慢の問題が再燃している。 一方で、従来のML(pre ML)とML補助科学に差はないと主張する者もいる。 どちらの場合も、理論は現象の分析とモデルの構築と利用において必須かつ避けられない役割を果たす。 MLの方法論やモデルは理論とは独立であり、場合によっては理論も自由であると主張する者もいる。 本稿では,両者の立場が単純すぎること,ML手法とドメイン理論との相互作用の理解を前進させるものではないことを論じる。 具体的には,ML支援科学における理論の怠慢の分析を行う。 我々の分析では、MLMの構築はドメイン理論とは比較的独立して行うことができるが、特定のドメイン内でのこれらのモデルの実践的実装と解釈は、基礎的な理論的仮定と背景知識に依存している。

関連論文リスト

• Review and Prospect of Algebraic Research in Equivalent Framework between Statistical Mechanics and Machine Learning Theory [0.0]
  この論文は、統計力学と場の量子論の両方において代数研究の先駆者であるアラキ・フジヒロ教授の記憶に捧げられている。
  論文  参考訳（メタデータ） (2024-05-31T11:04:13Z)
• Is machine learning good or bad for the natural sciences? [7.41244589428771]
  MLの導入によって、強い、望ましくない統計バイアスがもたらされる状況が示されている。 例えば、MLモデルを用いて物理(または第一原理)シミュレーションをエミュレートすると、検証バイアスが増幅される。 別の例として、データセットのラベル付けに表現的回帰を使用する場合、これらのラベルは下流のバイアスを取らなければ使用できない。
  論文  参考訳（メタデータ） (2024-05-28T12:01:52Z)
• FANToM: A Benchmark for Stress-testing Machine Theory of Mind in Interactions [94.61530480991627]
  現在、マインド評価の理論は、本質的に相互作用性に欠ける受動的物語を用いたテストモデルに焦点を当てている。 本稿では,情報非対称な会話文脈におけるToMのストレステストを目的とした新しいベンチマークであるFANToMを紹介する。
  論文  参考訳（メタデータ） (2023-10-24T00:24:11Z)
• Towards a Mechanistic Interpretation of Multi-Step Reasoning Capabilities of Language Models [107.07851578154242]
  言語モデル(LM)は強力な多段階推論能力を持つ。 LMが事前学習コーパスから記憶された回答を不正に処理するか,多段階推論機構を用いてタスクを実行するかは明らかでない。 メカニスティックプローブは,ほとんどの例において,モデルの注意から推論ツリーの情報を検出することができることを示す。
  論文  参考訳（メタデータ） (2023-10-23T01:47:29Z)
• Explainability for Large Language Models: A Survey [59.67574757137078]
  大規模言語モデル(LLM)は、自然言語処理における印象的な能力を示している。 本稿では,トランスフォーマーに基づく言語モデルを記述する手法について,説明可能性の分類法を紹介した。
  論文  参考訳（メタデータ） (2023-09-02T22:14:26Z)
• Logic-Based Explainability in Machine Learning [0.0]
  最も成功した機械学習モデルの運用は、人間の意思決定者にとって理解できない。 近年,MLモデルを説明するためのアプローチの開発が試みられている。 本稿では,MLモデルの厳密なモデルに基づく説明を計算するための研究成果について概説する。
  論文  参考訳（メタデータ） (2022-10-24T13:43:07Z)
• Scientific Inference With Interpretable Machine Learning: Analyzing Models to Learn About Real-World Phenomena [4.312340306206884]
  解釈可能な機械学習は、モデルを論理的に分析して解釈を導出することで解を提供する。 現在のIML研究は、科学的推論にMLモデルを活用するのではなく、MLモデルの監査に重点を置いている。 本稿では、モデルだけでなく、その表現する現象を照らし出すIMLメソッドを定式化した「プロパティ記述子」を設計するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-11T10:13:21Z)
• The Need for Interpretable Features: Motivation and Taxonomy [69.07189753428553]
  我々は、「解釈可能な特徴」という用語は、機械学習の説明の有用性に影響を与える機能の全範囲を捉えるのに十分な具体的あるいは詳細ではないと主張している。 本稿では,(1)解釈可能な機能空間と呼ぶもの,あるいはドメインの専門家が現実の行動を取る上で有用な機能の現状に,より注意を払わなければならない,という3つの重要な教訓を論じる。
  論文  参考訳（メタデータ） (2022-02-23T19:19:14Z)
• Learning by Design: Structuring and Documenting the Human Choices in Machine Learning Development [6.903929927172917]
  本稿では,機械学習モデル作成における熟考と規範的選択を概説する8つの設計質問からなる手法を提案する。 本手法は,方法論的透明性を通じた批判的評価を支援するなど,いくつかの利点がある。 本手法は,MLモデルの開発において,ML実践者が選択や仮定を構造化し,正当化する上で有効であると考えている。
  論文  参考訳（メタデータ） (2021-05-03T08:47:45Z)
• Machine Learning Force Fields [54.48599172620472]
  機械学習(ML)は、計算化学の多くの進歩を可能にした。 最も有望な応用の1つは、MLベースの力場(FF)の構築である。 本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
  論文  参考訳（メタデータ） (2020-10-14T13:14:14Z)

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。