본 논문에서는 머신러닝 모델의 예측을 설명하는 데 사용되는 다양한 XAI 방법의 출력을 평가할 수 있는 새로운 설명자-불가지론적 지표 세트를 제안하고, 이를 통해 모델의 정확성과 투명성을 모두 고려한 모델 선택 및 배포 환경에서 AI 모델과 관련된 위험 평가를 가능하게 합니다.
本稿では、機械学習モデルの予測の説明可能性を定量化するために設計された、説明者非依存型の新しいメトリクスを提案し、モデルの精度だけでなく透明性に基づいたモデル選択のための貴重なツールを提供します。
Pre-finetuning speech models on multiple emotion recognition datasets significantly improves performance in few-shot speaker adaptation for emotional speech recognition, especially in extremely low-resource settings.
This paper introduces a novel set of metrics for evaluating the explainability of machine learning models, focusing on the consistency and stability of feature importance across different explainers, data subsets, and surrogate models.
This paper introduces PSIPS, a computationally efficient algorithm for identifying the Pareto set in transductive linear bandit problems with potentially correlated objectives, leveraging posterior sampling for both stopping and sampling rules to achieve asymptotic optimality.
본 논문에서는 모호한 Ground Truth를 사용한 분류 문제에서 크레달 영역을 경험적으로 도출하는 새로운 방법을 제안하며, 이를 통해 기존의 등각 예측 방법보다 더 효율적인 예측 세트를 얻을 수 있음을 보여줍니다.
This research paper introduces a novel method for constructing credal regions in conformal prediction, specifically addressing the challenge of ambiguous ground truth in classification problems, leading to more efficient and informative predictive sets.
本研究利用基於梯度的模擬技術,比較了多種機器學習演算法在粒子加速器多目標優化問題上的表現,發現基於深度可微分強化學習 (DDRL) 的方法在處理高維度問題時具有顯著優勢。
본 논문에서는 머신러닝과 최적화 기법을 활용하여 통계 물리학 모델에서의 이중성을 자동으로 발견하고 분석하는 프레임워크를 제시합니다.
This paper presents two novel algorithms that leverage machine learning and optimization techniques to automatically discover dualities in statistical physics models, specifically demonstrating their ability to rediscover the Kramers-Wannier duality in the 2D Ising model.