論文の概要: Interactive Data Harmonization with LLM Agents

• arxiv url: http://arxiv.org/abs/2502.07132v2
• Date: Wed, 05 Mar 2025 18:33:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 19:04:41.044683
• Title: Interactive Data Harmonization with LLM Agents
• Title（参考訳）: LLMエージェントを用いた対話型データ調和
• Authors: Aécio Santos, Eduardo H. M. Pena, Roque Lopez, Juliana Freire,
• Abstract要約: 本稿では,LLMに基づく推論,対話型ユーザインタフェース,データ調和プリミティブのライブラリを組み合わせたシステムであるHarmoniaを紹介する。 これは、データセットを標準フォーマットにマッピングする再利用可能なパイプラインをインタラクティブに作成するのに役立つ。
• 参考スコア（独自算出の注目度）: 8.173658353548147
• License:
• Abstract: Data harmonization is an essential task that entails integrating datasets from diverse sources. Despite years of research in this area, it remains a time-consuming and challenging task due to schema mismatches, varying terminologies, and differences in data collection methodologies. This paper presents the case for agentic data harmonization as a means to both empower experts to harmonize their data and to streamline the process. We introduce Harmonia, a system that combines LLM-based reasoning, an interactive user interface, and a library of data harmonization primitives to automate the synthesis of data harmonization pipelines. We demonstrate Harmonia in a clinical data harmonization scenario, where it helps to interactively create reusable pipelines that map datasets to a standard format. Finally, we discuss challenges and open problems, and suggest research directions for advancing our vision.
• Abstract（参考訳）: データ調和は、さまざまなソースからのデータセットの統合を必要とする重要なタスクである。 この分野における長年の研究にもかかわらず、スキーマミスマッチ、様々な用語、データ収集方法の違いにより、時間と課題が残されている。 本稿では,データ調和とプロセスの合理化を両立させる手段として,エージェントデータ調和の事例を提案する。 本稿では,LLMに基づく推論,対話型ユーザインタフェース,データ調和プリミティブのライブラリを組み合わせて,データ調和パイプラインの合成を自動化するシステムであるHarmoniaを紹介する。 これは、データセットを標準フォーマットにマッピングする再利用可能なパイプラインをインタラクティブに作成するのに役立つ。 最後に、課題とオープンな課題について議論し、ビジョンを前進させる研究の方向性を提案する。

関連論文リスト

• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• Impact of Leakage on Data Harmonization in Machine Learning Pipelines in Class Imbalance Across Sites [0.19348290147402303]
  我々は,クラスバランスがサイト間で等しくないシナリオにおいて,ComBatベースのデータ調和手法の有効性について検討した。 ターゲットラベルを装いながらデータを調和させる新しいアプローチであるPrettYharmonizeを提案する。
  論文  参考訳（メタデータ） (2024-10-25T15:49:04Z)
• ToolFlow: Boosting LLM Tool-Calling Through Natural and Coherent Dialogue Synthesis [80.34000499166648]
  より関連性の高いツールの組み合わせをサンプリングするためのグラフベースのサンプリング戦略と、コヒーレントな対話の合成を導く計画を作成するための計画生成戦略を提案する。 ツールフローで生成した8000の合成対話を用いてLLaMA-3.1-8BにSFTを適用した。 その結果,GPT-4に匹敵するツールコール性能が得られた。
  論文  参考訳（メタデータ） (2024-10-24T05:45:04Z)
• ToolACE: Winning the Points of LLM Function Calling [139.07157814653638]
  ToolACEは、正確で複雑で多様なツール学習データを生成するように設計された自動エージェントパイプラインである。 我々は、合成データに基づいてトレーニングされたモデルが、8Bパラメータだけで、バークレー・ファンクション・カリング・リーダーボード上で最先端のパフォーマンスを達成することを実証した。
  論文  参考訳（メタデータ） (2024-09-02T03:19:56Z)
• Progressively Label Enhancement for Large Language Model Alignment [42.01694160556464]
  大きな言語モデル(LLM)のアライメントは、モデルが人間の期待に反するコンテンツを生成するのを防ぐことを目的としている。 生成したデータの進化的品質に基づいてモデルのトレーニングプロセスを動的に調整するフレームワークであるPLEを提案する。
  論文  参考訳（メタデータ） (2024-08-05T16:21:17Z)
• Simulating Task-Oriented Dialogues with State Transition Graphs and Large Language Models [16.94819621353007]
  SynTODは、エンドツーエンドのタスク指向対話(TOD)システムを開発するための新しい合成データ生成手法である。 大規模言語モデルを用いたランダムウォークと応答シミュレーションにより多様な構造化された会話を生成する。 実験では,グラフ誘導応答シミュレーションを用いて意図分類,スロット充填,応答関連性を大幅に改善した。
  論文  参考訳（メタデータ） (2024-04-23T06:23:34Z)
• Are Synthetic Time-series Data Really not as Good as Real Data? [29.852306720544224]
  時系列データは、データ品質の問題、バイアスと脆弱性、一般化の問題に起因する制限を提示する。 InfoBoostは、時系列表現学習機能を備えた、高度に汎用的なクロスドメインデータ合成フレームワークである。 本研究では,実データを用いて学習したモデルの性能を上回りながら,実データを必要としないモデルトレーニングを可能にする合成データに基づく手法を開発した。
  論文  参考訳（メタデータ） (2024-02-01T13:59:04Z)
• Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A Comprehensive Benchmark [56.8042116967334]
  合成データは、機械学習モデルのトレーニングの代替となる。 合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。 本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
  論文  参考訳（メタデータ） (2023-10-25T20:32:02Z)
• Federated Learning over Harmonized Data Silos [0.7106986689736825]
  Federated Learning(フェデレートラーニング)は、地理的に分散したデータサイロがデータを共有せずに共同で機械学習モデルを学習することを可能にする、分散機械学習アプローチである。 本稿では,データ調和とデータ計算の重要なステップを取り入れた,エンドツーエンドのフェデレーション学習統合システムのためのアーキテクチャビジョンを提案する。
  論文  参考訳（メタデータ） (2023-05-15T19:55:51Z)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)
• Unsupervised Domain Adaptive Learning via Synthetic Data for Person Re-identification [101.1886788396803]
  人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。 残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。 本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
  論文  参考訳（メタデータ） (2021-09-12T15:51:41Z)

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。