論文の概要: Human in the Latent Loop (HILL): Interactively Guiding Model Training Through Human Intuition

• arxiv url: http://arxiv.org/abs/2505.06325v1
• Date: Fri, 09 May 2025 06:17:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.787165
• Title: Human in the Latent Loop (HILL): Interactively Guiding Model Training Through Human Intuition
• Title（参考訳）: 潜在ループ(HILL)の人間:人間の直観を通してのモデルトレーニングを相互に指導する
• Authors: Daniel Geissler, Lars Krupp, Vishal Banwari, David Habusch, Bo Zhou, Paul Lukowicz, Jakob Karolus,
• Abstract要約: HILLは、モデルトレーニングに人間の直感を組み込むことができる対話型フレームワークである。 これらの修正は、知識蒸留にインスパイアされた新しいアプローチを通じて、モデルトレーニングループに注入される。 その結果,人間誘導型潜在空間修正は,一般化を維持しながらモデル性能を向上させることが示された。
• 参考スコア（独自算出の注目度）: 5.447505576449767
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Latent space representations are critical for understanding and improving the behavior of machine learning models, yet they often remain obscure and intricate. Understanding and exploring the latent space has the potential to contribute valuable human intuition and expertise about respective domains. In this work, we present HILL, an interactive framework allowing users to incorporate human intuition into the model training by interactively reshaping latent space representations. The modifications are infused into the model training loop via a novel approach inspired by knowledge distillation, treating the user's modifications as a teacher to guide the model in reshaping its intrinsic latent representation. The process allows the model to converge more effectively and overcome inefficiencies, as well as provide beneficial insights to the user. We evaluated HILL in a user study tasking participants to train an optimal model, closely observing the employed strategies. The results demonstrated that human-guided latent space modifications enhance model performance while maintaining generalization, yet also revealing the risks of including user biases. Our work introduces a novel human-AI interaction paradigm that infuses human intuition into model training and critically examines the impact of human intervention on training strategies and potential biases.
• Abstract（参考訳）: 潜在空間表現は、機械学習モデルの振る舞いを理解し改善するために重要であるが、しばしば曖昧で複雑なままである。 潜伏空間の理解と探索は、各ドメインに関する貴重な人間の直観と専門知識に貢献する可能性がある。 本研究では,人間による直感をモデルトレーニングに組み込むためのインタラクティブなフレームワークであるHILLについて述べる。 この修正は、知識蒸留にインスパイアされた新しいアプローチによってモデルトレーニングループに注入され、教師としてモデルの修正を扱い、本質的な潜在表現を形作る。 このプロセスにより、モデルはより効果的に収束し、非効率を克服し、ユーザに有益な洞察を提供することができる。 我々は,HILLをユーザスタディで評価し,最適なモデルをトレーニングし,採用戦略をよく観察した。 その結果,人間誘導型潜在空間修正は,一般化を維持しながらモデル性能を向上させる一方で,ユーザのバイアスを含むリスクも明らかにした。 我々の研究は、人間の直感をモデルトレーニングに注入し、人間の介入がトレーニング戦略や潜在的なバイアスに与える影響を批判的に検証する新しい人間-AIインタラクションパラダイムを導入する。

関連論文リスト

• A constraints-based approach to fully interpretable neural networks for detecting learner behaviors [0.6138671548064356]
  本稿では,ニューラルネットワークに基づく行動検出モデルを構築するための新しいアプローチについて述べる。 我々のモデルは、完全に解釈可能であり、つまり、説明のために抽出するパラメータは明確な解釈を持つ。 このモデルを用いて,ゲーム・ザ・システム動作の検出,タスクの性能評価を行い,学習パターンを人間の専門家が特定したパターンと比較する。
  論文  参考訳（メタデータ） (2025-04-10T16:58:11Z)
• Does Your AI Agent Get You? A Personalizable Framework for Approximating Human Models from Argumentation-based Dialogue Traces [4.178382980763478]
  本稿では,議論に基づく対話を通じて,AIエージェントが人間の理解に適応できるフレームワークを提案する。 パーソナと呼ばれる我々のアプローチは、確率理論に基づいて、確率重み付け関数とベイズ的信念更新機構を統合する。 我々はペルソナが進化する人間の信念を効果的に捉え、パーソナライズされた相互作用を促進し、最先端の手法を上回ることを実証する。
  論文  参考訳（メタデータ） (2025-02-22T22:37:16Z)
• PersLLM: A Personified Training Approach for Large Language Models [66.16513246245401]
  社会実践, 一貫性, 動的発達という, 心理学に根ざした個性の原則を統合したPersLLMを提案する。 モデルパラメータに直接パーソナリティ特性を組み込み、誘導に対するモデルの抵抗性を高め、一貫性を高め、パーソナリティの動的進化を支援する。
  論文  参考訳（メタデータ） (2024-07-17T08:13:22Z)
• Standardizing Your Training Process for Human Activity Recognition Models: A Comprehensive Review in the Tunable Factors [4.199844472131922]
  ウェアラブルヒューマンアクティビティ認識(WHAR)分野における現代ディープラーニング研究の総括的レビューを行う。 この結果から,モデルトレーニングプロトコルが提供する詳細が欠如していることが示唆された。 分析から得られた知見をもとに,WHARモデルに適合した新たな統合トレーニング手順を定義する。
  論文  参考訳（メタデータ） (2024-01-10T17:45:28Z)
• Procedure Planning in Instructional Videosvia Contextual Modeling and Model-based Policy Learning [114.1830997893756]
  本研究は,実生活ビデオにおける目標指向アクションを計画するモデルを学習することに焦点を当てる。 本研究では,ベイズ推論とモデルに基づく模倣学習を通して,人間の行動のモデル化を行う新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-10-05T01:06:53Z)
• Human-Understandable Decision Making for Visual Recognition [30.30163407674527]
  モデル学習プロセスに人間の知覚の優先順位を組み込むことにより,深層ニューラルネットワークを訓練する新たなフレームワークを提案する。 提案モデルの有効性を2つの古典的視覚認識タスクで評価する。
  論文  参考訳（メタデータ） (2021-03-05T02:07:33Z)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)

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。