Fugu-MT 論文翻訳(概要): Foundational values for foundation models

論文の概要: Foundational values for foundation models

arxiv url: http://arxiv.org/abs/2608.09377v1
Date: Mon, 10 Aug 2026 09:56:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-11 19:16:37.201715
Title: Foundational values for foundation models
Title（参考訳）: 基礎モデルに対する基礎的価値
Abstract要約: 研究の価値観は、技術研究が直接的にも間接的にもどのように行われるかに影響を及ぼす。この記事では、これらの技術のうちの1つ、基礎モデルについて検討し、それらの使用と使用の禁止の両方について、詳細な正当性を見出す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Research values, properties with a distinctive normative dimension, often affect how technological research is performed in both direct and indirect ways by influencing how technical decisions are made. In machine learning for medical imaging, understanding these values can be important for understanding why particular researchers justify the decisions made in their publications and explain why certain technologies become ubiquitous (or not) in the scientific literature and in the clinic. This article explores one of these technologies, foundation models, finding detailed justifications both for their use and abstention from their use. By taking a Socratic approach to research values arising from this specific technical decision, this article aims to better illustrate how foundation models fit into the philosophy of machine learning in medicine.
Abstract（参考訳）: 特有な規範的次元を持つ研究価値は、技術的決定の仕方に影響を与えることによって、直接的および間接的に技術研究を行う方法に影響を与えることが多い。医学画像のための機械学習において、これらの価値を理解することは、特定の研究者が出版物でなされた決定を正当化する理由を理解し、なぜ特定の技術が科学文献や診療所においてユビキタスになるのか(あるいはそうでないのか)を説明するのに重要である。この記事では、これらの技術のうちの1つ、基礎モデルについて検討し、それらの使用と使用の禁止の両方について、詳細な正当性を見いだす。本稿では,この技術的決定から生じる研究価値にソクラテス的アプローチを取り入れることで,基礎モデルが医学における機械学習の哲学にどのように適合するかを,より深く説明することを目的とする。

関連論文リスト

Confounder Detection via Treatment Intent: A New Observational Study Design [69.50062870487349]
我々は、治療意図による共同設立者検出と呼ばれる新しい研究設計を導入する。このアイデアは、治療決定を行う人間の専門家に問い合わせ、ペアのユニットの比較を依頼する。 ICUで収集された電子的健康記録が未確認のコンファウンディングの対象であることの実証的証拠を示す。
論文参考訳（メタデータ） (2026-05-26T00:41:47Z)
The Quest for the Right Mediator: Surveying Mechanistic Interpretability Through the Lens of Causal Mediation Analysis [51.046457649151336]
本稿では,因果媒介分析に基づく解釈可能性研究の視点を提案する。本稿では, 原因単位(メディエーター)の種類に応じて分類された解釈可能性の歴史と現状について述べる。我々は,各メディエータの長所と短所について論じ,特定の種類のメディエータや検索手法が最適であるかどうかについての洞察を提供する。
論文参考訳（メタデータ） (2024-08-02T17:51:42Z)
Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
オンロジはドメインの知識とメタデータを表現するために広く使われている。直接支援できる論理的推論は、学習、近似、予測において非常に限られています。 1つの簡単な解決策は、統計分析と機械学習を統合することである。
論文参考訳（メタデータ） (2024-06-16T14:49:19Z)
Exploration of Attention Mechanism-Enhanced Deep Learning Models in the Mining of Medical Textual Data [3.22071437711162]
本研究では,医療用テキストマイニングにおける注意機構を利用した深層学習モデルの利用について検討した。本研究の目的は、深層学習と注意機構を取り入れることで、本質的な医療情報を特定する能力を高めることである。
論文参考訳（メタデータ） (2024-05-23T00:20:14Z)
Explainable Deep Learning Methods in Medical Image Classification: A Survey [0.0]
最先端のディープラーニングモデルは、異なるタイプの医療データの分類において、人間レベルの精度を達成した。これらのモデルは、主に解釈可能性の欠如のために、臨床ではほとんど採用されていない。ディープラーニングモデルのブラックボックス性は、これらのモデルの意思決定プロセスを説明するための戦略を考案する必要性を高めている。
論文参考訳（メタデータ） (2022-05-10T09:28:14Z)
A survey on attention mechanisms for medical applications: are we moving towards better algorithms? [2.8101673772585736]
本稿では,機械学習における注意機構の応用について概説する。文献で提示される注意機構の主張と可能性に関する批判的分析を提案する。これらの枠組みの恩恵を受ける可能性のある医学応用の今後の研究線を提案する。
論文参考訳（メタデータ） (2022-04-26T16:04:19Z)
Explainable Deep Learning in Healthcare: A Methodological Survey from an Attribution View [36.025217954247125]
本稿では,今後の研究者や臨床医の方法論として,深部・包括的に解釈可能性の方法を紹介した。我々は、これらの方法が医療問題にどのように適応し、適用されたか、また、医師がこれらのデータ駆動技術をよりよく理解するのにどのように役立つかについて議論する。
論文参考訳（メタデータ） (2021-12-05T17:12:53Z)
Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or Something Else? [93.91375268580806]
政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
論文参考訳（メタデータ） (2021-11-09T13:30:34Z)
TorchEsegeta: Framework for Interpretability and Explainability of Image-based Deep Learning Models [0.0]
臨床医はしばしば自動画像処理アプローチ、特にディープラーニングに基づく手法の適用に懐疑的である。本稿では,アルゴリズムの決定に最も影響を及ぼす解剖学的領域を記述することによって,ディープラーニングアルゴリズムの結果の解釈と説明を支援するアプローチを提案する。ディープラーニングモデルに様々な解釈可能性および説明可能性技術を適用するための統合フレームワークであるTorchEsegetaを提案する。
論文参考訳（メタデータ） (2021-10-16T01:00:15Z)
Individual Explanations in Machine Learning Models: A Survey for Practitioners [69.02688684221265]
社会的関連性の高い領域の決定に影響を与える洗練された統計モデルの使用が増加しています。多くの政府、機関、企業は、アウトプットが人間の解釈可能な方法で説明しにくいため、採用に消極的です。近年,機械学習モデルに解釈可能な説明を提供する方法として,学術文献が多数提案されている。
論文参考訳（メタデータ） (2021-04-09T01:46:34Z)
Indecision Modeling [50.00689136829134]
AIシステムは人間の価値観に合わせて行動することが重要である。人々はしばしば決定的ではなく、特に彼らの決定が道徳的な意味を持つときです。
論文参考訳（メタデータ） (2020-12-15T18:32:37Z)

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。