负责任且具有代表性的多模态数据获取与分析：关于可审计性、基准测试、置信度、数据依赖性与可解释性
计算机与社会
2019-03-19 v1
摘要
为（深度）机器学习算法所利用的音频、视频或生理人类数据的获取与分析背后的伦理决策，正日益成为人工智能（AI）界关注的问题。就此，本文通过探讨模态多样化，强调对负责任且具有代表性的数据收集与分析的迫切需求。可审计性（Auditability）、基准测试（Benchmarking）、置信度（Confidence）、数据依赖性（Data-reliance）和可解释性（Explainability）（ABCDE）这些因素已在机器学习界被提及，在此我们梳理这些 ABCDE 子类别与多模态数据获取和分析的关系，以贯穿当前 AI 讨论中的高优先级伦理关切。为此，我们提出如何将这五个子类别纳入此类获取范式的早期规划中。
引用
@article{arxiv.1903.07171,
title = {Responsible and Representative Multimodal Data Acquisition and Analysis: On Auditability, Benchmarking, Confidence, Data-Reliance & Explainability},
author = {Alice Baird and Simone Hantke and Björn Schuller},
journal= {arXiv preprint arXiv:1903.07171},
year = {2019}
}
备注
4 pages