A Case for Rejection in Low Resource ML Deployment

要約

信頼性の高いAI意思決定支援システムを構築するには、モデルを学習させるために、量と多様性の両面において、堅牢なデータセットが必要です。このようなデータセットの入手は、リソースが限られた環境、または展開の初期段階にあるアプリケーションでは困難な場合があります。サンプル棄却はこの課題を回避する1つの方法ですが、この分野の既存の研究の多くは、このようなシナリオには適していません。本論文では、その立場を実証し、概念実証のベースラインとしてシンプルなソリューションを提案します。

要約(オリジナル)

Building reliable AI decision support systems requires a robust set of data on which to train models; both with respect to quantity and diversity. Obtaining such datasets can be difficult in resource limited settings, or for applications in early stages of deployment. Sample rejection is one way to work around this challenge, however much of the existing work in this area is ill-suited for such scenarios. This paper substantiates that position and proposes a simple solution as a proof of concept baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL