論文の概要: Coarse Set Theory for AI Ethics and Decision-Making: A Mathematical Framework for Granular Evaluations

• arxiv url: http://arxiv.org/abs/2502.07347v2
• Date: Sun, 23 Feb 2025 05:41:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 22:39:43.324579
• Title: Coarse Set Theory for AI Ethics and Decision-Making: A Mathematical Framework for Granular Evaluations
• Title（参考訳）: AI倫理と意思決定のための粗いセット理論:粒度評価のための数学的枠組み
• Authors: Takashi Izumo,
• Abstract要約: 粗い集合論(CST)は、粗い倫理(CE)を定式化する数学的枠組みを導入する CEは人間の評価やAI分類システムでよく使われる粗粒度決定過程をモデル化する。 CSTは、完全に順序付けられた構造と粗いマッピングを使用して集合間の階層的関係を定義し、AIシステムが決定の粒度を動的に調整できるようにする。 この研究は、グレーディングシステム、自動レコメンデーション、リスクアセスメントにCSTを適用し、公正性を高め、バイアスを減らし、AIによる意思決定における透明性を向上させる可能性を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In artificial intelligence (AI) and decision-making systems, structured approximations are essential for balancing model interpretability and predictive accuracy. Coarse Set Theory (CST) introduces a mathematical framework to formalize Coarse Ethics (CE), which models coarse-grained decision-making processes commonly used in human evaluations and AI classification systems. CST defines hierarchical relationships among sets using totally ordered structures and coarse mappings, enabling AI systems to adjust decision granularity dynamically. However, coarse evaluations inherently involve a trade-off between efficiency and information retention, as they simplify complex data representations at the cost of precision. To quantitatively assess this trade-off, we introduce Kullback-Leibler (KL) divergence as a measure of information loss in coarse evaluations, demonstrating the impact of coarse partitioning on decision accuracy. This study applies CST to grading systems, automated recommendations, and risk assessments, demonstrating its potential to enhance fairness, reduce bias, and improve transparency in AI-driven decision-making.
• Abstract（参考訳）: 人工知能(AI)と意思決定システムでは、モデル解釈可能性と予測精度のバランスをとるために構造化近似が不可欠である。 粗い集合論(CST)は、人間の評価やAI分類システムでよく使われる粗い粒度の決定過程をモデル化する、粗い倫理(CE)を定式化する数学的枠組みを導入する。 CSTは、完全に順序付けられた構造と粗いマッピングを使用して集合間の階層的関係を定義し、AIシステムが決定の粒度を動的に調整できるようにする。 しかし、粗い評価は効率と情報保持のトレードオフを本質的に含み、精度の犠牲で複雑なデータ表現を単純化する。 このトレードオフを定量的に評価するために、粗い評価における情報損失の尺度としてKullback-Leibler(KL)発散を導入し、粗い分割が決定精度に与える影響を実証する。 この研究は、評価システム、自動レコメンデーション、リスクアセスメントにCSTを適用し、公正性を高め、バイアスを減らし、AIによる意思決定における透明性を向上させる可能性を実証する。

関連論文リスト

• The Foundations of Tokenization: Statistical and Computational Concerns [51.370165245628975]
  トークン化は、NLPパイプラインにおける重要なステップである。 NLPにおける標準表現法としての重要性は認識されているが、トークン化の理論的基盤はまだ完全には理解されていない。 本稿では,トークン化モデルの表現と解析のための統一的な形式的枠組みを提案することによって,この理論的ギャップに対処することに貢献している。
  論文  参考訳（メタデータ） (2024-07-16T11:12:28Z)
• Provable Compositional Generalization for Object-Centric Learning [55.658215686626484]
  既知の概念の新規な構成に一般化する学習表現は、人間と機械の知覚のギャップを埋めるのに不可欠である。 本稿では,デコーダの構造的仮定を満足し,エンコーダとデコーダの整合性を強制するオートエンコーダが,構成を確実に一般化するオブジェクト中心表現を学習することを示す。
  論文  参考訳（メタデータ） (2023-10-09T01:18:07Z)
• A Category-theoretical Meta-analysis of Definitions of Disentanglement [97.34033555407403]
  データの変化の要因を識別することは、機械学習の基本的な概念である。 本稿では,既存の乱れの定義をメタ分析する。
  論文  参考訳（メタデータ） (2023-05-11T15:24:20Z)
• Towards Understanding the Mechanism of Contrastive Learning via Similarity Structure: A Theoretical Analysis [10.29814984060018]
  Kernel Contrastive Learning (KCL) と呼ばれるカーネルベースのコントラスト学習フレームワークについて検討する。 本稿では,統計的依存関係の観点から学習表現の類似性構造を定式化する。 下流タスクの分類誤差の新しい上限を示し、これは我々の理論が比較学習の実証的成功と一致することを説明している。
  論文  参考訳（メタデータ） (2023-04-01T21:53:29Z)
• Linear Spaces of Meanings: Compositional Structures in Vision-Language Models [110.00434385712786]
  事前学習された視覚言語モデル(VLM)からのデータ埋め込みにおける構成構造について検討する。 まず,幾何学的観点から構成構造を理解するための枠組みを提案する。 次に、これらの構造がVLM埋め込みの場合の確率論的に持つものを説明し、実際に発生する理由の直観を提供する。
  論文  参考訳（メタデータ） (2023-02-28T08:11:56Z)
• Variational Cross-Graph Reasoning and Adaptive Structured Semantics Learning for Compositional Temporal Grounding [143.5927158318524]
  テンポラルグラウンドティング(Temporal grounding)とは、クエリ文に従って、未編集のビデオから特定のセグメントを特定するタスクである。 新たに構成時間グラウンドタスクを導入し,2つの新しいデータセット分割を構築した。 ビデオや言語に内在する構造的意味論は、構成的一般化を実現する上で重要な要素である、と我々は主張する。
  論文  参考訳（メタデータ） (2023-01-22T08:02:23Z)
• Relational Proxies: Emergent Relationships as Fine-Grained Discriminators [52.17542855760418]
  本稿では,オブジェクトのグローバル部分とローカル部分の間の情報を利用してラベルを符号化する手法を提案する。 我々は、理論的な結果に基づいてプロキシを設計し、7つの挑戦的なきめ細かいベンチマークデータセットに基づいて評価する。 また、この理論を実験的に検証し、複数のベンチマークで一貫した結果を得る。
  論文  参考訳（メタデータ） (2022-10-05T11:08:04Z)
• Granular Directed Rough Sets, Concept Organization and Soft Clustering [0.0]
  上向きの粗集合は、著者によって以前の論文で紹介され、研究されている。 これは、驚くべき代数的意味論を持つ2つの異なる粒度の方向で、彼女によって拡張される。 この研究は、関連する領域において重要な理論的および実践的な応用が期待されている。
  論文  参考訳（メタデータ） (2022-08-13T11:01:05Z)
• CURI: A Benchmark for Productive Concept Learning Under Uncertainty [33.83721664338612]
  我々は、新しい数ショットメタラーニングベンチマーク、コンポジション推論を不確実性の下で導入する(CURI)。 CURIは、疎結合、生産的一般化、学習操作、変数バインディングなどの抽象的な理解を含む、生産的および体系的な一般化の異なる側面を評価します。 また、モデルに依存しない「構成性ギャップ」を定義し、それぞれの軸に沿って分布外分布を一般化することの難しさを評価する。
  論文  参考訳（メタデータ） (2020-10-06T16:23:17Z)
• Expressiveness and machine processability of Knowledge Organization Systems (KOS): An analysis of concepts and relations [0.0]
  各知識組織システムの表現性と機械処理性の両方の可能性は、その構造規則によって広範囲に規制されている。 オントロジーは多種多様な関係を明示的に定義し、その性質上機械処理可能である。
  論文  参考訳（メタデータ） (2020-03-11T12:35:52Z)
• The Contextuality-by-Default View of the Sheaf-Theoretic Approach to Contextuality [0.0]
  シーフ-理論的文脈性(英: Sheaf-Theoretic Contextuality、STC)理論は、集合の多重重複部分集合が集合全体に課される大域構造からこの構造を引き継ぐことができるかどうかの非常に一般的な説明である。 STCがランダム変数のシステムに適用された場合、CbD(Contextuality-by-Default)理論の言語で再キャスト可能であることを示す。 複数の決定論的実現が可能な系を準確率的システムとして、ベイズ的先行が実現に割り当てられた系として考えることで解決できることを示す。
  論文  参考訳（メタデータ） (2019-06-06T17:38:54Z)

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。