論文の概要: Designing an Interpretable Interface for Contextual Bandits

• arxiv url: http://arxiv.org/abs/2409.15143v1
• Date: Mon, 23 Sep 2024 15:47:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-26 14:23:12.732217
• Title: Designing an Interpretable Interface for Contextual Bandits
• Title（参考訳）: コンテキスト帯域の解釈可能なインタフェースの設計
• Authors: Andrew Maher, Matia Gobbo, Lancelot Lachartre, Subash Prabanantham, Rowan Swiers, Puli Liyanagama,
• Abstract要約: 我々は,盗賊の根底にある振る舞いを説明するために,ドメインの専門家に新しいインターフェースを設計する。 技術的厳密さとアクセシブルなプレゼンテーションを慎重にバランスさせることで、非専門家に複雑な機械学習システムを管理する力を与えることが可能であることを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contextual bandits have become an increasingly popular solution for personalized recommender systems. Despite their growing use, the interpretability of these systems remains a significant challenge, particularly for the often non-expert operators tasked with ensuring their optimal performance. In this paper, we address this challenge by designing a new interface to explain to domain experts the underlying behaviour of a bandit. Central is a metric we term "value gain", a measure derived from off-policy evaluation to quantify the real-world impact of sub-components within a bandit. We conduct a qualitative user study to evaluate the effectiveness of our interface. Our findings suggest that by carefully balancing technical rigour with accessible presentation, it is possible to empower non-experts to manage complex machine learning systems. We conclude by outlining guiding principles that other researchers should consider when building similar such interfaces in future.
• Abstract（参考訳）: コンテキストブロードバンドは、パーソナライズされたレコメンデーションシステムにとって、ますますポピュラーなソリューションになりつつある。 使用が増加しているにもかかわらず、これらのシステムの解釈性は依然として大きな課題であり、特に最適な性能を確保するための専門家でない演算子にとっては、大きな課題である。 本稿では,バンディットの基盤となる振る舞いをドメインの専門家に説明するための新しいインターフェースを設計することで,この問題に対処する。 中央(ちゅう、英: Central)とは、バンディット内のサブコンポーネントの実際の影響を定量化するための、政治外の評価から派生した尺度である。 インターフェースの有効性を評価するために,定性的なユーザスタディを実施している。 技術的厳密さとアクセシブルなプレゼンテーションを慎重にバランスさせることで、非専門家に複雑な機械学習システムを管理する力を与えることが可能であることを示唆している。 我々は、将来同様のインターフェースを構築する際に、他の研究者が考慮すべき指針の原則を概説して締めくくる。

関連論文リスト

• Contextual bandits with entropy-based human feedback [8.94067320035758]
  本研究では,エントロピーに基づく文脈的盗聴のためのフィードバック・フレームワークを提案する。 提案手法は,人間からのフィードバックを最小限に抑えながら,大幅な性能向上を実現する。 この研究は、人間の指導を機械学習システムに組み込むことの堅牢性と有効性を強調している。
  論文  参考訳（メタデータ） (2025-02-12T20:03:56Z)
• SMOSE: Sparse Mixture of Shallow Experts for Interpretable Reinforcement Learning in Continuous Control Tasks [6.408395876568997]
  SMOSEは、疎活性化された解釈可能なコントローラを訓練する新しい方法である。 さまざまな基本的なスキルのエキスパートになるように訓練された解釈可能な意思決定者と、専門家にタスクを割り当てる解釈可能なルータを組み合わせたものだ。 次に、ルータの重みから決定木を蒸留し、解釈の容易さを大幅に改善する。
  論文  参考訳（メタデータ） (2024-12-17T16:15:04Z)
• On the Biased Assessment of Expert Finding Systems [11.083396379885478]
  大きな組織では、特定のトピックについて専門家を特定することが、チームや部門にまたがる内部知識を活用する上で非常に重要です。 このケーススタディでは、これらのレコメンデーションが専門家発見システムの評価に与える影響について分析する。 本稿では,システム検証アノテーションが従来の用語ベース検索モデルの性能過大評価につながることを示す。 また,同義語を用いた知識領域を拡大し,その構成語に対するリテラル言及に対する強い偏見を明らかにする。
  論文  参考訳（メタデータ） (2024-10-07T13:19:08Z)
• Interactive Counterfactual Exploration of Algorithmic Harms in Recommender Systems [3.990406494980651]
  本研究では,レコメンデーションシステムにおけるアルゴリズム的害の影響を理解し,探索するための対話型ツールを提案する。 視覚化、反事実的説明、インタラクティブなモジュールを活用することで、ユーザは誤校正などのバイアスがレコメンデーションにどのように影響するかを調査できる。
  論文  参考訳（メタデータ） (2024-09-10T23:58:27Z)
• Inverse Reinforcement Learning with Sub-optimal Experts [56.553106680769474]
  与えられた専門家の集合と互換性のある報酬関数のクラスの理論的性質について検討する。 以上の結果から,複数の準最適専門家の存在が,相反する報酬の集合を著しく減少させる可能性が示唆された。 我々は,最適なエージェントの1つに十分近い準最適専門家のパフォーマンスレベルが最適である場合に,最小限の最適化を行う一様サンプリングアルゴリズムを解析する。
  論文  参考訳（メタデータ） (2024-01-08T12:39:25Z)
• Neural Contextual Bandits for Personalized Recommendation [49.85090929163639]
  本チュートリアルでは、パーソナライズされたレコメンデーションのための強力なフレームワークとして、コンテキスト帯について検討する。 我々は、リコメンデーターシステムにおける「マシュー効果」を緩和するために、文脈的盗賊の探索的視点に焦点を当てる。 従来の線形文脈包帯に加えて、我々は神経文脈包帯にも焦点をあてる。
  論文  参考訳（メタデータ） (2023-12-21T17:03:26Z)
• Online Decision Mediation [72.80902932543474]
  意思決定支援アシスタントを学習し、(好奇心)専門家の行動と(不完全)人間の行動の仲介役として機能することを検討する。 臨床診断では、完全に自律的な機械行動は倫理的余裕を超えることが多い。
  論文  参考訳（メタデータ） (2023-10-28T05:59:43Z)
• On the Representation Collapse of Sparse Mixture of Experts [102.83396489230375]
  専門家のまばらな混合は、一定の計算オーバーヘッドを必要としながら、より大きなモデルキャパシティを提供する。 入力トークンを隠された表現に従ってベストマッチした専門家に分散するためにルーティング機構を使用する。 しかし、そのようなルーティングメカニズムを学ぶことで、専門家のセントロイドを中心にトークンのクラスタリングが促進され、表現の崩壊の傾向が示唆される。
  論文  参考訳（メタデータ） (2022-04-20T01:40:19Z)
• Unsupervised Learning of Debiased Representations with Pseudo-Attributes [85.5691102676175]
  教師なし方式で,単純かつ効果的な脱バイアス手法を提案する。 特徴埋め込み空間上でクラスタリングを行い、クラスタリング結果を利用して疑似属性を識別する。 次に,非偏り表現を学習するために,クラスタベースの新しい重み付け手法を用いる。
  論文  参考訳（メタデータ） (2021-08-06T05:20:46Z)
• Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
  本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。 IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-07-26T10:40:59Z)
• Making Neural Networks Interpretable with Attribution: Application to Implicit Signals Prediction [11.427019313283997]
  本稿では,属性処理のための解釈可能なディープニューラルネットワークの新たな定式化を提案する。 マスク付きの重量を使って隠れた特徴を深く評価し、いくつかの入力制限されたサブネットワークに分割し、専門家の強化された混合として訓練する。
  論文  参考訳（メタデータ） (2020-08-26T06:46:49Z)

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。