論文の概要: Promoting User Data Autonomy During the Dissolution of a Monopolistic Firm

• arxiv url: http://arxiv.org/abs/2411.13546v1
• Date: Wed, 20 Nov 2024 18:55:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:10:12.667726
• Title: Promoting User Data Autonomy During the Dissolution of a Monopolistic Firm
• Title（参考訳）: 独占的企業解散に伴うユーザデータ自律化の促進
• Authors: Rushabh Solanki, Elliot Creager,
• Abstract要約: 本稿では,Conscious Data Contributionのフレームワークが,解散中におけるユーザの自律性を実現する方法を示す。 我々は、微調整と「破滅的な忘れ」の現象が、機械の非学習の一種として実際にどのように有用であるかを探求する。
• 参考スコア（独自算出の注目度）: 5.864623711097197
• License:
• Abstract: The deployment of AI in consumer products is currently focused on the use of so-called foundation models, large neural networks pre-trained on massive corpora of digital records. This emphasis on scaling up datasets and pre-training computation raises the risk of further consolidating the industry, and enabling monopolistic (or oligopolistic) behavior. Judges and regulators seeking to improve market competition may employ various remedies. This paper explores dissolution -- the breaking up of a monopolistic entity into smaller firms -- as one such remedy, focusing in particular on the technical challenges and opportunities involved in the breaking up of large models and datasets. We show how the framework of Conscious Data Contribution can enable user autonomy during under dissolution. Through a simulation study, we explore how fine-tuning and the phenomenon of "catastrophic forgetting" could actually prove beneficial as a type of machine unlearning that allows users to specify which data they want used for what purposes.
• Abstract（参考訳）: 消費者向け製品へのAIの展開は、現在、巨大なデジタルレコードのコーパスで事前訓練された、いわゆるファンデーションモデルの使用に焦点を当てている。 このデータセットのスケールアップと事前トレーニングの計算に重点を置くことで、業界をさらに統合し、独占的な(あるいはオリゴポラティクス的な)行動を可能にするリスクが高まる。 市場競争の改善を目指す裁判官や規制当局は、様々な対策を講じる可能性がある。 本稿では、大規模モデルとデータセットの分割に関わる技術的課題と機会に焦点を当て、モノポリティクス的なエンティティを小さな企業に分割する解法について検討する。 本稿では,Conscious Data Contributionのフレームワークが,解散中におけるユーザの自律性を実現する方法を示す。 シミュレーション研究を通じて、「破滅的忘れ」現象の微調整が、ユーザーがどの目的に使用するデータを指定することができるような機械学習の一種として、実際にいかに有益であるかを検証した。

関連論文リスト

• Safety vs. Performance: How Multi-Objective Learning Reduces Barriers to Market Entry [86.79268605140251]
  我々は、大規模言語モデルのための新興市場への参入に必要となる障壁が存在するかどうかを調査する。 要求されるデータポイント数は、既存の企業のデータセットサイズよりも大幅に小さくなることを示します。 以上の結果から,多目的的考察が参入障壁を根本的に低減することを示す。
  論文  参考訳（メタデータ） (2024-09-05T17:45:01Z)
• Consumer Transactions Simulation through Generative Adversarial Networks [0.07373617024876725]
  本稿では,合成小売取引データを生成するためのGAN(Generative Adversarial Networks)の革新的な応用について述べる。 我々は、SKUデータをGANアーキテクチャに統合し、より洗練された埋め込み手法を用いて従来の手法から切り離す。 その結果, 実物と実物を比較することで, シミュレーショントランザクションにおける現実性の向上が示された。
  論文  参考訳（メタデータ） (2024-08-07T09:45:24Z)
• Hybrid LLM/Rule-based Approaches to Business Insights Generation from Structured Data [0.0]
  広範囲で多様なデータセットから実行可能な洞察を抽出する能力は、情報的な意思決定と競合するエッジの維持に不可欠である。 従来のルールベースのシステムは信頼できるが、現代のビジネスデータの複雑さとダイナミズムに直面したとき、しばしば不足する。 本稿では,ルールベースシステムのロバスト性と大規模言語モデルの適応力を統合するハイブリッドアプローチの有効性について検討する。
  論文  参考訳（メタデータ） (2024-04-24T02:42:24Z)
• The Frontier of Data Erasure: Machine Unlearning for Large Language Models [56.26002631481726]
  大規模言語モデル(LLM)はAIの進歩の基礎となっている。 LLMは機密情報、偏見情報、著作権情報を記憶し、広めることによってリスクを生じさせる。 機械学習は、これらの懸念を軽減するための最先端のソリューションとして現れます。
  論文  参考訳（メタデータ） (2024-03-23T09:26:15Z)
• Scaling Laws Do Not Scale [54.72120385955072]
  最近の研究によると、データセットのサイズが大きくなると、そのデータセットでトレーニングされたモデルのパフォーマンスが向上する。 このスケーリング法則の関係は、モデルのアウトプットの質を異なる集団がどのように認識するかと一致しないパフォーマンスを測定するために使われる指標に依存する、と我々は主張する。 異なるコミュニティは、互いに緊張関係にある価値を持ち、モデル評価に使用されるメトリクスについて、困難で、潜在的に不可能な選択をもたらす可能性がある。
  論文  参考訳（メタデータ） (2023-07-05T15:32:21Z)
• Enabling Inter-organizational Analytics in Business Networks Through Meta Machine Learning [0.0]
  センシティブな情報を開示すると同時に、交換が必要なデータの量の多さが、効果的なシステムワイドソリューションの創出の鍵となるインヒビターである。 本稿では,これらの障害に対処し,ビジネスネットワーク内の包括的分析を可能にするメタ機械学習手法を提案する。
  論文  参考訳（メタデータ） (2023-03-28T09:06:28Z)
• Semantic Information Marketing in The Metaverse: A Learning-Based Contract Theory Framework [68.8725783112254]
  仮想サービスプロバイダ(VSP)によるインセンティブのメカニズム設計の問題に対処し,センサデータ販売にIoTデバイスを採用。 帯域幅が限られているため,センサIoTデバイスによる配信データを削減するためにセマンティック抽出アルゴリズムを提案する。 本稿では,新しい反復型契約設計を提案し,マルチエージェント強化学習(MARL)の新たな変種を用いて,モデル付き多次元契約問題の解法を提案する。
  論文  参考訳（メタデータ） (2023-02-22T15:52:37Z)
• Federated Pruning: Improving Neural Network Efficiency with Federated Learning [24.36174705715827]
  フェデレーテッド・プルーニング(Federated Pruning)は、フェデレーテッド・セッティングの下で縮小モデルのトレーニングを行う。 異なる刈り取り方式を探索し,提案手法の有効性の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2022-09-14T00:48:37Z)
• Mechanisms that Incentivize Data Sharing in Federated Learning [90.74337749137432]
  我々は、データ共有の利点が完全に損なわれているような、ナイーブなスキームが破滅的なフリーライディングのレベルにどのように結びつくかを示す。 次に,各エージェントが生成するデータ量を最大化する精度形成機構を導入する。
  論文  参考訳（メタデータ） (2022-07-10T22:36:52Z)
• Propensity-to-Pay: Machine Learning for Estimating Prediction Uncertainty [1.452875650827562]
  本研究では、異なる文脈を考慮し、予測の不確実性を推定する機械学習モデルの能力について検討する。 ベイジアンニューラルネットワークを二元分類問題に活用する新しい概念が提案され,展開に向けて検討されている。
  論文  参考訳（メタデータ） (2020-08-27T11:49:25Z)
• Super-App Behavioral Patterns in Credit Risk Models: Financial, Statistical and Regulatory Implications [110.54266632357673]
  従来の官僚データとは対照的に、アプリベースのマーケットプレースから派生した代替データが信用スコアモデルに与える影響を提示する。 2つの国にまたがって検証した結果、これらの新たなデータソースは、低体重者や若年者における金融行動を予測するのに特に有用であることが示された。
  論文  参考訳（メタデータ） (2020-05-09T01:32:03Z)

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。