Entity Aware Modelling: A Survey

要約

外部要因によって引き起こされた個々のエンティティの応答のパーソナライズされた予測は、多くの分野で不可欠です。
最近の機械学習 (ML) の進歩により、新しい最先端の応答予測モデルが生まれました。
母集団レベルで構築されたモデルは、多くの場合、エンティティ (タスク) 間のデータの不均一性により、多くのパーソナライズされた予測設定で最適以下のパフォーマンスにつながります。
パーソナライズされた予測の目標は、さまざまなエンティティの固有の特性を組み込んで、予測のパフォーマンスを向上させることです。
この調査では、このようなエンティティ認識モデリング アプローチに関する ML コミュニティの最近の開発に焦点を当てています。
ML アルゴリズムは、これらのエンティティの特性がすぐに利用できる場合、これらの特性を使用してネットワークを調整することがよくあります。
ただし、これらのエンティティの特性は、多くの現実世界のシナリオですぐに利用できるわけではなく、データからこれらの特性を推測するためのさまざまな ML メソッドが提案されています。
この調査では、これらの特性の可用性とトレーニング データの量に基づいて、エンティティ認識モデリングに関する現在の文献を整理しました。
不確実性の定量化、公平性、知識に基づく機械学習など、他の分野における最近の革新がエンティティ認識モデリングをどのように改善できるかを強調します。

要約(オリジナル)

Personalized prediction of responses for individual entities caused by external drivers is vital across many disciplines. Recent machine learning (ML) advances have led to new state-of-the-art response prediction models. Models built at a population level often lead to sub-optimal performance in many personalized prediction settings due to heterogeneity in data across entities (tasks). In personalized prediction, the goal is to incorporate inherent characteristics of different entities to improve prediction performance. In this survey, we focus on the recent developments in the ML community for such entity-aware modeling approaches. ML algorithms often modulate the network using these entity characteristics when they are readily available. However, these entity characteristics are not readily available in many real-world scenarios, and different ML methods have been proposed to infer these characteristics from the data. In this survey, we have organized the current literature on entity-aware modeling based on the availability of these characteristics as well as the amount of training data. We highlight how recent innovations in other disciplines, such as uncertainty quantification, fairness, and knowledge-guided machine learning, can improve entity-aware modeling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google