文献

J-GLOBAL ID：202002270249465401   整理番号：20A2263261

機械学習システムにおける後方互換性の経験的解析【JST・京大機械翻訳】

An Empirical Analysis of Backward Compatibility in Machine Learning Systems

著者 (5件)： Srivastava Megha (Microsoft Research, Redmond, WA, USA) ,  Nushi Besmira (Microsoft Research, Redmond, WA, USA) ,  Kamar Ece (Microsoft Research, Redmond, WA, USA) ,  Shah Shital (Microsoft Research, Redmond, WA, USA) ,  Horvitz Eric (Microsoft Research, Redmond, WA, USA)
資料名： ACM Proceedings  (ACM Proceedings)
号： KDD ’20  ページ： 3272-3280  発行年： 2020年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 機械学習(ML)の多くのアプリケーションにおいて,更新はモデル性能の強化の目標で実行される。しかし,更新モデルに対する現在の実践は,孤立,集約性能分析,重要な依存性,期待,および実世界展開における必要性を,単独に依存する。MLモデルの改善を意図した更新が,下流システムとユーザに有意に影響を与える新しい誤差を導入できる方法を考察した。例えば,画像認識のようなクラウドベースの分類サービスで使用されるモデルの更新は,サービスを呼び出すシステムにおいて予想外の誤り挙動を引き起こすことができる。以前の研究は,人間の信頼を維持するための「後方互換性」の重要性を示した。異なるMLアーキテクチャとデータセットにわたる後方適合性の課題を研究し,データシフトを含む共通設定を,構造雑音と推論パイプラインで採用されたMLを用いて,データシフトを含めて研究した。その結果,(i)互換性問題は,最適化確率によるデータシフトなしでも生じ,(ii)大規模雑音データセットの訓練は,モデル精度が増加しても,また,(iii)雑音バイアスと整合する不適合点の分布,および(iii)ノイズバイアスと整合する不和合点の分布,および(iii)両立性認識ノイズ除去およびロバスト性法の必要性を,しばしばもたらすことを示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  雑音 ,  *互換性 ,  信頼性 ,  両立性 ,  適応性 ,  応用プログラム ,  バイアス ,  雑音低減 ,  計算機アーキテクチャ ,  性能分析 ,  ロバスト性 ,  不和合性 ,  *機械学習 ,  画像認識

著者キーワード (4件)： 後方互換性 ,  機械学習 ,  信頼性 ,  責任のあるデータ科学

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 機械学習 ,  後方互換 ,  経験 ,  解析