설명자-불가지론적 지표를 통한 머신러닝 예측의 설명 가능성 평가
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.
説明者非依存型メトリクスを用いた機械学習予測の説明可能性の評価
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 for Few-Shot Emotional Speech Recognition Using Multi-Corpora Transfer Learning
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.
Evaluating the Explainability of Machine Learning Model Predictions Using Metrics That Are Independent of Specific Explanation Methods
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.
A Computationally Efficient Algorithm for Pareto Set Identification in Transductive Linear Bandits with Correlated Objectives
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.
모호한 Ground Truth를 사용한 분류를 위한 등각 크레달 영역 구성 및 이를 통한 예측 세트 개선
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.
Conformalized Credal Regions for Classification with Ambiguous Ground Truth: A Novel Approach to Improve Predictive Sets in Conformal Prediction
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.
利用基於梯度的模擬技術，實現粒子加速器中多目標優化的潛力
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。
머신러닝과 최적화 기반 접근 방식을 활용한 통계 물리학에서의 이중성 연구
본 논문에서는 머신러닝과 최적화 기법을 활용하여 통계 물리학 모델에서의 이중성을 자동으로 발견하고 분석하는 프레임워크를 제시합니다.
Machine Learning and Optimization for Discovering Dualities in Statistical Physics: A Case Study of the 2D Ising Model
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.
© 2024 by Linnk AI