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、モデルをトレーニングするための堅牢なデータ セットが必要です。
量と多様性の両方に関して。
このようなデータセットを取得することは、リソースが制限された設定や、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。
サンプルの拒否は、この課題を回避する 1 つの方法ですが、この分野の既存の作業の多くは、このようなシナリオには適していません。
このホワイト ペーパーでは、その位置付けを実証し、概念実証のベースラインとして単純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, Google