論文の概要: Algorithmic Transparency in Forecasting Support Systems

• arxiv url: http://arxiv.org/abs/2411.00699v1
• Date: Fri, 01 Nov 2024 15:55:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:46:48.204816
• Title: Algorithmic Transparency in Forecasting Support Systems
• Title（参考訳）: 予測支援システムにおけるアルゴリズムの透明性
• Authors: Leif Feddersen,
• Abstract要約: 本稿では,判断予測,予測調整,FSS設計に関する文献をレビューし,整理する。 アルゴリズムの透明性は、より良く、統合的な予測と、この主張を3つのFSS設計で検証する上で、重要な要素である、と私は主張する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Most organizations adjust their statistical forecasts (e.g. on sales) manually. Forecasting Support Systems (FSS) enable the related process of automated forecast generation and manual adjustments. As the FSS user interface connects user and statistical algorithm, it is an obvious lever for facilitating beneficial adjustments whilst discouraging harmful adjustments. This paper reviews and organizes the literature on judgemental forecasting, forecast adjustments, and FSS design. I argue that algorithmic transparency may be a key factor towards better, integrative forecasting and test this assertion with three FSS designs that vary in their degrees of transparency based on time series decomposition. I find transparency to reduce the variance and amount of harmful forecast adjustments. Letting users adjust the algorithm's transparent components themselves, however, leads to widely varied and overall most detrimental adjustments. Responses indicate a risk of overwhelming users with algorithmic transparency without adequate training. Accordingly, self-reported satisfaction is highest with a non-transparent FSS.
• Abstract（参考訳）: ほとんどの組織は、手動で統計予測(売上など)を調整する。 予測支援システム(FSS)は、自動予測生成と手動調整の関連プロセスを可能にする。 FSSユーザインタフェースはユーザと統計アルゴリズムを接続するので、有害な調整を回避しつつ、適切な調整を容易にするための明らかなレバーである。 本稿では,判断予測,予測調整,FSS設計に関する文献をレビューし,整理する。 アルゴリズムの透明性は、時系列の分解に基づいて、透明性の度合いが異なる3つのFSS設計を用いて、より良く、統合的な予測とテストを行うための重要な要素である、と私は主張する。 有害な予測調整のばらつきと量を減らすための透明性が得られます。 しかし、ユーザーがアルゴリズムの透明なコンポーネント自体を調整させることは、広範囲にまたがって最も有害な調整につながる。 反応は、十分なトレーニングをすることなく、アルゴリズムによる透明性を持つ圧倒的なユーザのリスクを示す。 したがって、自己申告満足度は非透明FSSが最も高い。

関連論文リスト

• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• Share Your Secrets for Privacy! Confidential Forecasting with Vertical Federated Learning [5.584904689846748]
  製造業における主な課題は、データプライバシと、小さくノイズの多いデータセットへの過度な適合である。 本稿では、以下の重要な特徴を示す新しいフレームワークである「VFLによる秘かに共有された時系列予測」を提案する。 以上の結果から,STVの予測精度は集中型手法に匹敵することがわかった。
  論文  参考訳（メタデータ） (2024-05-31T12:27:38Z)
• Sparse is Enough in Fine-tuning Pre-trained Large Language Models [98.46493578509039]
  我々はSparse Increment Fine-Tuning (SIFT) という勾配に基づくスパース微調整アルゴリズムを提案する。 GLUE Benchmark や Instruction-tuning などのタスクで有効性を検証する。
  論文  参考訳（メタデータ） (2023-12-19T06:06:30Z)
• Energizing Federated Learning via Filter-Aware Attention [39.17451229130728]
  フェデレートラーニング(FL)は有望な分散パラダイムであり、データ共有の必要性を排除しつつ、データの異質性による課題に直面している。 パラメータ再構成にパーソナライズされたフィルタアテンションを利用するFedOFAを提案する。 コアとなるTFAモジュールは、パーソナライズされたフィルタ対応アテンションマップを正確に抽出するように設計されている。 AGPSは、冗長なニューロンを隠蔽しながら重要なニューロンを選択的に保持し、性能犠牲なしに通信コストを低減させる。
  論文  参考訳（メタデータ） (2023-11-18T09:09:38Z)
• Boosting Fair Classifier Generalization through Adaptive Priority Reweighing [59.801444556074394]
  より優れた一般化性を持つ性能向上フェアアルゴリズムが必要である。 本稿では,トレーニングデータとテストデータ間の分散シフトがモデル一般化性に与える影響を解消する適応的リライジング手法を提案する。
  論文  参考訳（メタデータ） (2023-09-15T13:04:55Z)
• PTP: Boosting Stability and Performance of Prompt Tuning with Perturbation-Based Regularizer [94.23904400441957]
  損失景観を平滑化できる摂動型正規化器を即時チューニングに導入する。 我々は乱数ノイズベースと逆数ベースを含む2種類の摂動型正規化器を設計する。 我々の新しいアルゴリズムは,SuperGLUEベンチマークとFewGLUEベンチマークでそれぞれ1.94%,2.34%の最先端のプロンプトチューニング手法を改善した。
  論文  参考訳（メタデータ） (2023-05-03T20:30:51Z)
• Over-the-Air Federated Learning with Privacy Protection via Correlated Additive Perturbations [57.20885629270732]
  我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。 従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。 本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
  論文  参考訳（メタデータ） (2022-10-05T13:13:35Z)
• TrafPS: A Visual Analysis System Interpreting Traffic Prediction in Shapley [14.405970308635787]
  TrafPSはデータプロセスから結果の計算と視覚化までの3つのレイヤで構成されている。 あるデモンストレーションでは、予測フローをユーザに解釈する上で、TrafPSが効果的な分析パイプラインをサポートしていることが示されている。
  論文  参考訳（メタデータ） (2022-03-11T19:13:55Z)
• Algorithmic Transparency with Strategic Users [9.289838852590732]
  企業がそれを透明化すれば、機械学習アルゴリズムの予測能力も増大する可能性がある。 場合によっては、機械学習アルゴリズムの予測能力さえも、企業がそれを透明にすれば増大する可能性があることを、私たちは示しています。
  論文  参考訳（メタデータ） (2020-08-21T03:10:42Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。