論文の概要: Mixed-Integer Optimization for Responsible Machine Learning

• arxiv url: http://arxiv.org/abs/2505.05857v1
• Date: Fri, 09 May 2025 07:51:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.19618
• Title: Mixed-Integer Optimization for Responsible Machine Learning
• Title（参考訳）: 応答性機械学習のための混合整数最適化
• Authors: Nathan Justin, Qingshi Sun, Andrés Gómez, Phebe Vayanos,
• Abstract要約: 混合整数最適化(MIO)は、責任あるMLの考慮事項を直接学習プロセスに埋め込むための強力なフレームワークを提供する。 本チュートリアルでは,理論的側面と実践的側面の両方について論じる,アクセシビリティと包括的紹介を行う。
• 参考スコア（独自算出の注目度）: 5.282840081123424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the last few decades, Machine Learning (ML) has achieved significant success across domains ranging from healthcare, sustainability, and the social sciences, to criminal justice and finance. But its deployment in increasingly sophisticated, critical, and sensitive areas affecting individuals, the groups they belong to, and society as a whole raises critical concerns around fairness, transparency, robustness, and privacy, among others. As the complexity and scale of ML systems and of the settings in which they are deployed grow, so does the need for responsible ML methods that address these challenges while providing guaranteed performance in deployment. Mixed-integer optimization (MIO) offers a powerful framework for embedding responsible ML considerations directly into the learning process while maintaining performance. For example, it enables learning of inherently transparent models that can conveniently incorporate fairness or other domain specific constraints. This tutorial paper provides an accessible and comprehensive introduction to this topic discussing both theoretical and practical aspects. It outlines some of the core principles of responsible ML, their importance in applications, and the practical utility of MIO for building ML models that align with these principles. Through examples and mathematical formulations, it illustrates practical strategies and available tools for efficiently solving MIO problems for responsible ML. It concludes with a discussion on current limitations and open research questions, providing suggestions for future work.
• Abstract（参考訳）: 過去数十年間、機械学習(ML)は、医療、持続可能性、社会科学から刑事司法、金融まで幅広い分野で大きな成功を収めてきた。 しかし、個人、彼らが属するグループ、社会に影響を及ぼす、洗練され、批判的かつセンシティブな分野への展開は、公正性、透明性、堅牢性、プライバシーなどに関する重要な関心を喚起する。 MLシステムの複雑さとスケール、およびそれらがデプロイされる設定が大きくなるにつれて、これらの課題に対処する責任あるMLメソッドの必要性が増し、デプロイメントにおけるパフォーマンスが保証される。 混合整数最適化(MIO)は、パフォーマンスを維持しながら、責任あるMLの考慮事項を直接学習プロセスに組み込むための強力なフレームワークを提供する。 例えば、フェアネスや他のドメイン固有の制約を便利に組み込むことができる、本質的に透明なモデルの学習を可能にする。 本チュートリアルでは,理論的側面と実践的側面の両方について論じる,アクセシビリティと包括的紹介を行う。 責任あるMLのコア原則、アプリケーションにおけるその重要性、そしてこれらの原則に沿ったMLモデルを構築するためのMIOの実用性について概説している。 実例と数学的定式化を通じて、責任あるMLに対するMIO問題を効率的に解くための実用的な戦略と利用可能なツールを説明している。 結論は、現在の制限とオープンな研究の質問について議論し、将来の仕事について提案することにある。

関連論文リスト

• A Call for New Recipes to Enhance Spatial Reasoning in MLLMs [85.67171333213301]
  MLLM(Multimodal Large Language Models)は、一般的な視覚言語タスクにおいて印象的な性能を示す。 近年の研究では、空間的推論能力の限界が明らかにされている。 この空間的推論の欠如は、MLLMが物理的世界と効果的に相互作用する能力を著しく制限する。
  論文  参考訳（メタデータ） (2025-04-21T11:48:39Z)
• Causality Is Key to Understand and Balance Multiple Goals in Trustworthy ML and Foundation Models [91.24296813969003]
  本稿では,機械学習に因果的手法を取り入れて,信頼性の高いMLの主要な原則間のトレードオフをナビゲートすることを提唱する。 我々は、信頼できるMLと基礎モデルの両方において、複数の競合する目標のバランスをとるためには、因果的アプローチが不可欠であると主張する。
  論文  参考訳（メタデータ） (2025-02-28T14:57:33Z)
• An Overview of Large Language Models for Statisticians [109.38601458831545]
  大規模言語モデル(LLM)は人工知能(AI)の変換ツールとして登場した。 本稿では, 統計学者がLLMの開発に重要な貢献できる可能性について考察する。 我々は不確実性定量化、解釈可能性、公正性、プライバシー、透かし、モデル適応といった問題に焦点を当てる。
  論文  参考訳（メタデータ） (2025-02-25T03:40:36Z)
• A Survey on Large Language Models with some Insights on their Capabilities and Limitations [0.3222802562733786]
  大規模言語モデル(LLM)は、様々な言語関連タスクで顕著なパフォーマンスを示す。 LLMは、そのコア機能を超えて、創発的な能力を示す。 本稿では,これらの機能を実現する基盤となるコンポーネント,スケーリング機構,アーキテクチャ戦略について検討する。
  論文  参考訳（メタデータ） (2025-01-03T21:04:49Z)
• Analyzing Fairness of Computer Vision and Natural Language Processing Models [1.0923877073891446]
  機械学習(ML)アルゴリズムは、医療、金融、教育、法執行など、さまざまな分野における意思決定において重要な役割を果たす。 広く採用されているにもかかわらず、これらのシステムは潜在的なバイアスや公平性の問題のために倫理的・社会的懸念を提起する。 本研究では,非構造化データセットに適用したコンピュータビジョンと自然言語処理(NLP)モデルの公平性の評価と改善に焦点を当てた。
  論文  参考訳（メタデータ） (2024-12-13T06:35:55Z)
• Meta Reasoning for Large Language Models [58.87183757029041]
  大規模言語モデル(LLM)の新規かつ効率的なシステムプロセッシング手法であるメタ推論プロンプト(MRP)を導入する。 MRPは、各タスクの特定の要求に基づいて異なる推論メソッドを動的に選択し、適用するようLLMに誘導する。 総合的なベンチマークによりMPPの有効性を評価する。
  論文  参考訳（メタデータ） (2024-06-17T16:14:11Z)
• A Reality check of the benefits of LLM in business [1.9181612035055007]
  大規模言語モデル(LLM)は、言語理解および生成タスクにおいて顕著なパフォーマンスを達成した。 ビジネスプロセスにおけるLCMの有用性と準備性について概説する。
  論文  参考訳（メタデータ） (2024-06-09T02:36:00Z)
• The Impossibility of Fair LLMs [59.424918263776284]
  大規模言語モデル(LLM)の時代において、公正なAIの必要性はますます明確になっている。 我々は、機械学習研究者が公正性を評価するために使った技術フレームワークについてレビューする。 我々は、特定のユースケースにおける公平性を達成するためのより現実的な目標のためのガイドラインを策定する。
  論文  参考訳（メタデータ） (2024-05-28T04:36:15Z)

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。