論文の概要: ONION: A Multi-Layered Framework for Participatory ER Design
- arxiv url: http://arxiv.org/abs/2507.08702v1
- Date: Fri, 11 Jul 2025 15:53:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-14 18:03:54.412506
- Title: ONION: A Multi-Layered Framework for Participatory ER Design
- Title（参考訳）: OnION: 参加ER設計のための多層フレームワーク
- Authors: Viktoriia Makovska, George Fletcher, Julia Stoyanovich,
- Abstract要約: ONIONは、参加型エンティティ関連(ER)モデリングのためのフレームワークである。
デザインの正義、参加型AI、概念モデリングからの洞察を統合する。
非構造的ステークホルダ入力から構造化ERダイアグラムへのプログレッシブ抽象化をサポートする。
- 参考スコア（独自算出の注目度）: 11.390471205672588
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We present ONION, a multi-layered framework for participatory Entity-Relationship (ER) modeling that integrates insights from design justice, participatory AI, and conceptual modeling. ONION introduces a five-stage methodology: Observe, Nurture, Integrate, Optimize, Normalize. It supports progressive abstraction from unstructured stakeholder input to structured ER diagrams. Our approach aims to reduce designer bias, promote inclusive participation, and increase transparency through the modeling process. We evaluate ONION through real-world workshops focused on sociotechnical systems in Ukraine, highlighting how diverse stakeholder engagement leads to richer data models and deeper mutual understanding. Early results demonstrate ONION's potential to host diversity in early-stage data modeling. We conclude with lessons learned, limitations and challenges involved in scaling and refining the framework for broader adoption.
- Abstract（参考訳）: 我々は、デザイン正義、参加型AI、概念モデリングからの洞察を統合する、参加型エンティティ・リレーションシップ(ER)モデリングのための多層フレームワークであるONIONを提案する。
Observe, Nurture, Integrate, Optimize, Normalizeという5段階の方法論を紹介します。
非構造的ステークホルダ入力から構造化ERダイアグラムへのプログレッシブ抽象化をサポートする。
提案手法は,設計者のバイアスを低減し,包括的参加を促進し,モデリングプロセスを通じて透明性を高めることを目的としている。
我々は、ウクライナの社会技術システムに焦点を当てた現実世界のワークショップを通じてONIONを評価し、利害関係者の関与がよりリッチなデータモデルとより深い相互理解につながることを強調した。
初期の結果は、OnIONが初期段階のデータモデリングにおいて多様性をホストする可能性を示している。
私たちは、広く採用するためのフレームワークのスケールアップと改善に関わる教訓、制限、課題で締めくくります。
関連論文リスト
- Generative AI for Urban Design: A Stepwise Approach Integrating Human Expertise with Multimodal Diffusion Models [16.15278208238539]
本研究では,マルチモーダル拡散モデルと人間の専門知識を統合した段階的都市デザインフレームワークを提案する。
単一のエンドツーエンドのプロセスで結果を生成するのではなく、このフレームワークは、確立された都市デザインに合わせた3つの重要なステージにプロセスを分割する。
各段階で、レンダリング拡散モデルは、テキストプロンプトと画像ベースの制約に基づいて予備設計を生成する。
論文 参考訳（メタデータ） (2025-05-30T06:33:48Z) - Towards a Working Definition of Designing Generative User Interfaces [1.1603243575080535]
ジェネレーティブUIは、デザイナと計算システム間のAI駆動のコラボレーションを促進することによって、インターフェース設計を変革している。
本研究では,マルチメソッド定性的アプローチによる生成UIの動作定義を確立する。
論文 参考訳（メタデータ） (2025-05-21T03:14:09Z) - Aequa: Fair Model Rewards in Collaborative Learning via Slimmable Networks [4.494911384096143]
コラボレーション学習により、複数の参加者がデータを共有する代わりに集中的な更新を交換することで、単一のグローバルモデルを学ぶことができる。
共同学習における中核的な課題の1つは、参加者が貢献に対して公平に報酬を受けることを保証することである。
この研究は、モデル報酬を通じて参加者にインセンティブを与える、公平な報酬配分に焦点を当てている。
論文 参考訳（メタデータ） (2025-02-07T11:39:27Z) - A Concept-Centric Approach to Multi-Modality Learning [3.828996378105142]
我々は、より効率的なAIシステムを構築するために、新しいマルチモーダリティ学習フレームワークを導入する。
我々のフレームワークは、より効率的な学習曲線を示しながら、ベンチマークモデルと同等に達成する。
論文 参考訳（メタデータ） (2024-12-18T13:40:21Z) - Leveraging Large Language Models for Enhanced Process Model Comprehension [33.803742664323856]
ビジネスプロセスマネジメント(BPM)では、効果的にプロセスモデルを理解することが重要であるが、重大な課題を生じさせる。
本稿では,Large Language Models(LLM)の高度な機能を活用し,複雑なプロセスモデルの解釈可能性を高める新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-08T13:12:46Z) - A Large-Scale Evaluation of Speech Foundation Models [110.95827399522204]
音声処理ユニバーサルパフォーマンスベンチマーク(SUPERB)を構築し,基礎モデルパラダイムの有効性について検討する。
凍結基盤モデルを用いてSUPERBにおける音声処理タスクに対処する統合マルチタスクフレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-15T00:03:16Z) - Explore In-Context Segmentation via Latent Diffusion Models [132.26274147026854]
インコンテキストセグメンテーションは、与えられた参照画像を使ってオブジェクトをセグメンテーションすることを目的としている。
既存のほとんどのアプローチでは、視覚的プロンプトと入力画像クエリの相関を構築するために、メトリックラーニングやマスク付きイメージモデリングを採用しています。
この研究は、新しい視点から問題にアプローチし、コンテキスト内セグメンテーションのための潜在拡散モデルの能力を解き放つ。
論文 参考訳（メタデータ） (2024-03-14T17:52:31Z) - Towards More Unified In-context Visual Understanding [74.55332581979292]
マルチモーダル出力を有効にした視覚理解のための新しいICLフレームワークを提案する。
まず、テキストと視覚的プロンプトの両方を量子化し、統一された表現空間に埋め込む。
次にデコーダのみのスパーストランスアーキテクチャを用いて生成モデリングを行う。
論文 参考訳（メタデータ） (2023-12-05T06:02:21Z) - Structure-CLIP: Towards Scene Graph Knowledge to Enhance Multi-modal
Structured Representations [70.41385310930846]
マルチモーダルな構造表現を強化するためのエンドツーエンドフレームワークであるStructure-CLIPを提案する。
シーングラフを用いてセマンティックなネガティブな例の構築をガイドし、その結果、構造化された表現の学習に重点を置いている。
知識エンハンス(KEE)は、SGKを入力として活用し、構造化表現をさらに強化するために提案される。
論文 参考訳（メタデータ） (2023-05-06T03:57:05Z) - Universal Information Extraction as Unified Semantic Matching [54.19974454019611]
情報抽出を,異なるタスクやスキーマで共有される構造化と概念化という,2つの能力に分割する。
このパラダイムに基づいて、統一意味マッチングフレームワークを用いて様々なIEタスクを普遍的にモデル化することを提案する。
このように、USMはスキーマと入力テキストを共同でエンコードし、サブ構造を一様に並列に抽出し、必要に応じてターゲット構造を制御できる。
論文 参考訳（メタデータ） (2023-01-09T11:51:31Z) - DIME: Fine-grained Interpretations of Multimodal Models via Disentangled
Local Explanations [119.1953397679783]
我々は,マルチモーダルモデルの解釈における最先端化に注力する。
提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
論文 参考訳（メタデータ） (2022-03-03T20:52:47Z) - A Variational Information Bottleneck Approach to Multi-Omics Data
Integration [98.6475134630792]
本稿では,不完全な多視点観測のための深い変動情報ボトルネック (IB) 手法を提案する。
本手法は,対象物に関連のある視点内および視点間相互作用に焦点をあてるために,観測された視点の辺縁および結合表現にISBフレームワークを適用した。
実世界のデータセットの実験から、我々の手法はデータ統合から常に利益を得て、最先端のベンチマークより優れています。
論文 参考訳（メタデータ） (2021-02-05T06:05:39Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z)
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。