小さな,常に,そして脆弱性:オンデバイス機械学習ワークフローにおける設計選択を通したBias伝搬【JST・京大機械翻訳】

Toussaint Wiebke; Ding Aaron Yi; Kawsar Fahim; Mathur Akhil

プレプリント

J-GLOBAL ID：202202207172309214 整理番号：22P0276837

小さな,常に,そして脆弱性:オンデバイス機械学習ワークフローにおける設計選択を通したBias伝搬【JST・京大機械翻訳】

Tiny, always-on and fragile: Bias propagation through design choices in on-device machine learning workflows

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年01月19日プレプリントサーバーでの情報更新日： 2023年03月17日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

分散,不均一,および資源制約IoT装置の振動は,個人データに関するプライベート,高速,およびオフライン推論のためにオンデバイス機械学習(ML)を展開する。オンデバイスMLは,高度にコンテキスト依存性であり,ユーザ,利用,ハードウェアおよび環境属性に敏感である。この感度とMLのバイアスに対する傾向は,オンデバイス設定におけるバイアスの研究に重要である。本研究は,この新興領域におけるバイアスの最初の調査の1つであり,そして,より公平なオンデバイスMLを構築するための重要な基礎を築く。ソフトウェアエンジニアリングレンズを適用し,オンデバイスMLワークフローにおける設計選択を通してバイアスの伝搬を調べた。最初に,信頼性バイアスを不公平性の源として同定し,それを定量化するための測度を提案した。次に,複雑で相互作用する技術的設計選択が信頼性バイアスを増幅して伝播する方法を示したために,キーワードスポッティングタスクのための経験的実験を行った。著者らの結果は,モデル訓練中に作られた設計選択,例えばサンプルレートと入力特徴タイプ,および軽量アーキテクチャ,剪定学習率,および剪定スパース性のようなモデルの最適化になされた選択が,男性と女性グループにわたって異なる予測性能をもたらすことができることを検証した。著者らの知見に基づいて,著者らは,オンデバイスMLにおけるバイアスを緩和するためのエンジニアのための低努力戦略を示唆した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

信頼性 , 計算機網 , 計算理論 , 制御機器一般 , 通信理論一般

, , , ,

前のページに戻る