論文の概要: Argumentation and Machine Learning

• arxiv url: http://arxiv.org/abs/2410.23724v1
• Date: Thu, 31 Oct 2024 08:19:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 17:02:03.288013
• Title: Argumentation and Machine Learning
• Title（参考訳）: 論証と機械学習
• Authors: Antonio Rago, Kristijonas Čyras, Jack Mumford, Oana Cocarascu,
• Abstract要約: 本章では,計算論と機械学習のクロス・フェーティフィケーションのある程度のアプローチを提示する研究の概要を紹介する。 これら2つの領域間の相互作用の目的を表す2つの広いテーマが同定された。 我々は,学習の種類や議論フレームワークの形式など,様々な次元にわたる作品のスペクトルを評価する。
• 参考スコア（独自算出の注目度）: 4.064849471241967
• License:
• Abstract: This chapter provides an overview of research works that present approaches with some degree of cross-fertilisation between Computational Argumentation and Machine Learning. Our review of the literature identified two broad themes representing the purpose of the interaction between these two areas: argumentation for machine learning and machine learning for argumentation. Across these two themes, we systematically evaluate the spectrum of works across various dimensions, including the type of learning and the form of argumentation framework used. Further, we identify three types of interaction between these two areas: synergistic approaches, where the Argumentation and Machine Learning components are tightly integrated; segmented approaches, where the two are interleaved such that the outputs of one are the inputs of the other; and approximated approaches, where one component shadows the other at a chosen level of detail. We draw conclusions about the suitability of certain forms of Argumentation for supporting certain types of Machine Learning, and vice versa, with clear patterns emerging from the review. Whilst the reviewed works provide inspiration for successfully combining the two fields of research, we also identify and discuss limitations and challenges that ought to be addressed in order to ensure that they remain a fruitful pairing as AI advances.
• Abstract（参考訳）: 本章では,計算論と機械学習のクロス・フェーティフィケーションのある程度のアプローチを提示する研究の概要を紹介する。 本論文のレビューでは,これら2つの領域間の相互作用の目的を表す2つの広いテーマ,すなわち,議論のための機械学習と議論のための機械学習を特定した。 これら2つのテーマにまたがって,学習の種類や議論フレームワークの形式など,さまざまな次元にわたる作品のスペクトルを体系的に評価する。 さらに,これら2つの領域間の相互作用として,ArgumentationとMachine Learningのコンポーネントが密に統合された相乗的アプローチ,一方の出力が他方の入力であるように2つのコンポーネントをインターリーブしたセグメント的アプローチ,他方のコンポーネントが選択された詳細レベルで他方をシャドウする近似的アプローチ,の3種類を同定する。 我々は、ある種の機械学習をサポートするための、ある種の論証の適合性に関する結論を導き、その逆も、レビューから明らかなパターンが現れる。 レビューされた研究は、2つの研究分野をうまく組み合わせるためのインスピレーションを与えていますが、AIが進歩するにつれて、彼らが実りあるペアであることを保証するために対処すべき制限と課題を特定し、議論します。

関連論文リスト

• A Decoupling and Aggregating Framework for Joint Extraction of Entities and Relations [7.911978021993282]
  本稿では,エンティティと関係を共同で抽出する新しいモデルを提案する。 本稿では,特徴符号化処理を主題の符号化,オブジェクトの符号化,関係の符号化という3つの部分に分割することを提案する。 我々のモデルは、過去の最先端モデルよりも優れています。
  論文  参考訳（メタデータ） (2024-05-14T04:27:16Z)
• Combining Machine Learning and Ontology: A Systematic Literature Review [0.0]
  我々は、機械学習と体系的推論の統合を調査する記事のレビューを行った。 目的は、インダクティブ推論(私たちによって実行された)を人工知能システムに組み込む技術を特定することである。
  論文  参考訳（メタデータ） (2024-01-15T14:56:04Z)
• Multi-turn Dialogue Comprehension from a Topic-aware Perspective [70.37126956655985]
  本稿では,話題認識の観点から,マルチターン対話をモデル化することを提案する。 対話文のセグメント化アルゴリズムを用いて、対話文を教師なしの方法でトピック集中フラグメントに分割する。 また,トピックセグメントを処理要素として扱う新しいモデルとして,トピック認識デュアルアテンションマッチング(TADAM)ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T11:03:55Z)
• Intersectional Inquiry, on the Ground and in the Algorithm [1.0923877073891446]
  この分野の手法は、人種、階級、民族、文化、障害といった社会的差異の共通点を考慮に入れなければならないと我々は主張する。 計算的手法と定性的手法を交叉的手法で組み合わせることの複雑さを考察する。
  論文  参考訳（メタデータ） (2023-08-29T23:43:58Z)
• Re-mine, Learn and Reason: Exploring the Cross-modal Semantic Correlations for Language-guided HOI detection [57.13665112065285]
  ヒューマンオブジェクトインタラクション(HOI)検出は、コンピュータビジョンの課題である。 本稿では,構造化テキスト知識を組み込んだHOI検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-25T14:20:52Z)
• DiPlomat: A Dialogue Dataset for Situated Pragmatic Reasoning [89.92601337474954]
  プラグマティック推論は、実生活における会話でしばしば起こる暗黙の意味を解読する上で重要な役割を担っている。 そこで我々は,現実的な推論と会話理解の場所に関するマシンの能力のベンチマークを目的とした,新しい挑戦であるDiPlomatを紹介した。
  論文  参考訳（メタデータ） (2023-06-15T10:41:23Z)
• Theme and Topic: How Qualitative Research and Topic Modeling Can Be Brought Together [5.862480696321741]
  確率論的トピックモデリングは、テキストの分析にもとづく機械学習アプローチである。 このアナロジーをテーマとトピックシステムの基盤として利用しています。 これは、対話型機械学習システムの設計における、より一般的なアプローチの例である。
  論文  参考訳（メタデータ） (2022-10-03T04:21:08Z)
• Probing Task-Oriented Dialogue Representation from Language Models [106.02947285212132]
  本稿では,タスク指向対話タスクにおいて,どのモデルが本質的に最も有意義な表現を担っているかを明らかにするために,事前学習された言語モデルについて検討する。 我々は、アノテートラベルを教師付き方法で固定された事前学習言語モデルの上に、分類器プローブとしてフィードフォワード層を微調整する。
  論文  参考訳（メタデータ） (2020-10-26T21:34:39Z)
• Counterfactual Explanations for Machine Learning: A Review [5.908471365011942]
  機械学習における対実的説明に関する研究をレビューし、分類する。 機械学習における対実的説明可能性に対する現代のアプローチは、多くの国で確立された法的教義と結びついている。
  論文  参考訳（メタデータ） (2020-10-20T20:08:42Z)
• Topic-Aware Multi-turn Dialogue Modeling [91.52820664879432]
  本稿では,トピック認識発話を教師なしでセグメント化して抽出する,多元対話モデリングのための新しいソリューションを提案する。 トピック・アウェア・モデリングは、新たに提案されたトピック・アウェア・セグメンテーション・アルゴリズムとトピック・アウェア・デュアル・アテンション・マッチング(TADAM)ネットワークによって実現されている。
  論文  参考訳（メタデータ） (2020-09-26T08:43:06Z)
• End-to-End Models for the Analysis of System 1 and System 2 Interactions based on Eye-Tracking Data [99.00520068425759]
  本稿では,よく知られたStroopテストの視覚的修正版において,様々なタスクと潜在的な競合事象を特定するための計算手法を提案する。 統計的分析により、選択された変数は、異なるシナリオにおける注意負荷の変動を特徴付けることができることが示された。 機械学習技術は,異なるタスクを分類精度良く区別できることを示す。
  論文  参考訳（メタデータ） (2020-02-03T17:46:13Z)

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。

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。