JP7191058B2 - チューニング可能なバイアス低減用パイプライン - Google Patents
チューニング可能なバイアス低減用パイプライン Download PDFInfo
- Publication number
- JP7191058B2 JP7191058B2 JP2020030481A JP2020030481A JP7191058B2 JP 7191058 B2 JP7191058 B2 JP 7191058B2 JP 2020030481 A JP2020030481 A JP 2020030481A JP 2020030481 A JP2020030481 A JP 2020030481A JP 7191058 B2 JP7191058 B2 JP 7191058B2
- Authority
- JP
- Japan
- Prior art keywords
- word
- bias
- processor
- group
- vectors
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Description
本出願は2019年2月28日に出願された米国仮出願第62/812,005号の利益を主張し、その全体が引用により本明細書に組み込まれている。
Vb=Vc1-Vc2
ここで、Vbはバイアス定義ベクトル、Vc1は第1のバイアスカテゴリを表すベクトルであり、Vc2は第2のバイアスカテゴリを表すベクトルである。バイアスのタイプのバイアス軸は、Vbおよび-Vbに沿って定義され得る。
Rruntime=Rtarget±(Rtarget)(X)
ここで、Rruntimeは実行時単語比率であり、Rtargetは目標単語比率であり、Xは許容範囲値である許容範囲値は、たとえば10%の許容範囲の場合、0.10を含み得る。
Claims (20)
- 人工知能モデルにおけるバイアスを低減するためのシステムであって、
プロセッサおよびコンピュータ可読媒体
を備え、前記コンピュータ可読媒体は、前記プロセッサによって実行可能な命令であって、
前記プロセッサによって、単語のコーパスに基づいて生成される単語埋め込みモデルを受け取ることであって、前記単語埋め込みモデルは、前記単語のコーパスを表す単語ベクトルを含む、受け取ることと、
前記プロセッサによって、前記単語埋め込みモデルの埋め込み空間においてバイアス定義ベクトルを決定することであって、前記バイアス定義ベクトルは、前記単語埋め込みモデルの埋め込み空間においてバイアスタイプを表すバイアス軸に沿って定義され、前記バイアス軸は、前記プロセッサによって、バイアスカテゴリベクトルを識別することによって導出され、且つ前記バイアスタイプは、性別、人種、民族、年代、または前記埋め込み空間における他の一般化のいずれかを含む、決定することと、
前記プロセッサによって、バイアス分類基準を受け取ることであって、前記バイアス分類基準は、前記バイアス定義ベクトルからの距離測定値に基づいて前記単語ベクトルをグループ化するためのロジックを含む、受け取ることと、
前記プロセッサによって、前記単語埋め込みモデルの埋め込み空間において、前記バイアス分類基準に含まれる前記単語ベクトルをグループ化するためのロジックを使用して、第1の単語ベクトルのグループおよび第2の単語ベクトルのグループを識別することであって、前記第1の単語ベクトルのグループは、前記バイアスタイプの第1のバイアスカテゴリを表し、前記第2の単語ベクトルのグループは、前記バイアスタイプの第2のバイアスカテゴリを表す、識別することと、
前記プロセッサによって、前記第1のバイアスカテゴリ内の単語の数量と、前記第2のバイアスカテゴリ内の単語の数量とに基づく目標単語比率を受け取ることと、
前記プロセッサによって、デバイアス済み人工知能モデルを生成することであって、前記デバイアス済み人工知能モデルは、単語を表すメトリックを含み、前記第1の単語ベクトルのグループに関連付けられた単語のメトリックおよび前記第2の単語ベクトルのグループに関連付けられた単語のメトリックは、非ゼロのペナルティ係数に基づいて重み付けられ、前記非ゼロのペナルティ係数は、前記単語ベクトルと前記バイアス定義ベクトルとの間の距離を減少または増加させるべく割り当てられ、前記プロセッサは、前記目標単語比率を達成するように前記非ゼロのペナルティ係数を調節させる、生成することと、
を行う命令を含む、システム。 - 前記コンピュータ可読媒体は、前記プロセッサによって実行可能な命令であって、
前記プロセッサによって、前記第1の単語ベクトルのグループ内の単語ベクトルの数量と、前記第2の単語ベクトルのグループ内の単語ベクトルの数量とに基づいて、実行時単語比率を求めることと、
前記プロセッサによって、前記実行時単語比率および前記目標単語比率が、デバイアス基準を満たしていると判定することであって、前記デバイアス基準は、前記目標単語比率を前記実行時単語比率と比較するロジックを含む、判定することと、
を行う命令をさらに含み、
前記デバイアス済み人工知能モデルは、前記デバイアス基準が満たされていることに応答して生成される、
請求項1に記載のシステム。 - 前記コンピュータ可読媒体は、前記プロセッサによって実行可能な命令であって、
前記プロセッサによって、前記目標単語比率を受け取るように構成されるコントロールと、前記実行時単語比率を表示するためのコントロールとを含むユーザインターフェースを生成すること、
を行う命令をさらに含む、請求項2に記載のシステム。 - 前記コンピュータ可読媒体は、前記プロセッサによって実行可能な命令であって、
前記プロセッサによって、前記デバイアス済み人工知能モデルに基づいてコンピュータ生成の推論を作成するように推薦エンジンに前記デバイアス済み人工知能モデルを配備することであって、スキル資格を役割記述と関連付ける前記コンピュータ生成の推論は、注釈付き訓練データを含むベースラインモデルデータに基づいて訓練された前記単語埋め込みモデルをデバイアスすることによって作成されるものである、配備することと、
前記プロセッサによって、スキル資格を示すテキストと、役割記述を示すテキストとを受け取ることと、
前記プロセッサによって、前記デバイアス済み人工知能モデルに基づいた前記コンピュータ生成の推論を使用して、前記スキル資格のうちの少なくとも1つを、前記役割記述のうちの前記少なくとも1つにマッピングすることと、
前記プロセッサによって、前記スキル資格のうちの前記少なくとも1つと、前記役割記述のうちの前記少なくとも1つとの間の前記マッピングを示すレポートを表示することと、
を行う命令をさらに含む、請求項1に記載のシステム。 - 前記コンピュータ可読媒体は、前記プロセッサによって実行可能な命令であって、
前記プロセッサによって、スキル資格を示すテキストと、役割記述を示すテキストとを受け取ることと、
前記プロセッサによって、前記スキル資格を示すテキストと、役割記述を示すテキストとから、前記単語のコーパスを抽出することと、
前記プロセッサによって、前記単語のコーパスに基づいて前記単語埋め込みモデルを生成することと、
を行う命令をさらに含む、請求項1に記載のシステム。 - 前記スキル資格を示すテキストは、履歴書からのテキストを含み、前記役割記述を示すテキストは、職務記述書からのテキストを含む、請求項5に記載のシステム。
- 前記バイアス定義ベクトルを決定するための前記命令は、前記プロセッサによって実行可能な命令であって、
前記プロセッサによって、前記単語埋め込みモデルの埋め込み空間において、前記バイアスタイプの前記第1の前記バイアスカテゴリを表す第1の単語ベクトルを識別することと、
前記プロセッサによって、前記単語埋め込みモデルの埋め込み空間において、前記バイアスタイプの前記第2のバイアスカテゴリを表す第2の単語ベクトルを識別することと、
前記プロセッサによって、前記第1の単語ベクトルおよび前記第2の単語ベクトルの間のベクトル減算に基づいて、前記バイアス定義ベクトルを計算することと、
を行う命令をさらに含む、請求項1に記載のシステム。 - 前記第1のバイアスカテゴリは、男性性別バイアスを示し、前記第2のバイアスカテゴリは、女性性別バイアスを示す、請求項1に記載のシステム。
- 前記デバイアス済み人工知能モデルは、新たな単語埋め込みモデル、用語頻度-逆文書頻度(TF-IDF)モデル、またはこれらの任意の組み合わせを含む、請求項1に記載のシステム。
- 前記コンピュータ可読媒体は、前記プロセッサによって実行可能な命令であって、
前記プロセッサによって、前記第1の単語ベクトルのグループ内の単語ベクトルの数量と、前記第2の単語ベクトルのグループ内の単語ベクトルの数量とに基づいて、実行時単語比率を求めることと、
前記プロセッサによって、前記実行時単語比率および前記目標単語比率が、前記目標単語比率を前記実行時単語比率と比較するロジックを含むデバイアス基準を満たしていないと判定することと、
を行う命令をさらに含み、
前記デバイアス基準が満たされていないことに応答して、前記命令は、前記プロセッサによって実行可能であって、
前記プロセッサによって、前記第1の単語ベクトルのグループ内の単語ベクトルの前記数量を増加または減少させ、前記第2の単語ベクトルのグループ内の単語ベクトルの前記数量を減少または増加させるように、前記バイアス分類基準を調節すること、
をさらに行うものである、請求項1に記載のシステム。 - 前記コンピュータ可読媒体は、前記プロセッサによって実行可能な命令であって、
前記プロセッサによって、前記第1の単語ベクトルのグループ内の単語ベクトルの数量と、前記第2の単語ベクトルのグループ内の単語ベクトルの数量とに基づいて、実行時単語比率を求めることと、
前記プロセッサによって、前記実行時単語比率および前記目標単語比率が、デバイアス基準を満たしていないと判定することであって、前記デバイアス基準は、前記目標単語比率を前記実行時単語比率と比較するロジックを含む、デバイアス基準を満たしていないと判定することと、
前記デバイアス基準が満たされていないことに応答して、
前記プロセッサによって、前記目標比率を閾値だけインクリメントすることと、
前記比率をインクリメントしたことに応答して、前記プロセッサによって、第1のバイアス閾値および第2のバイアス閾値に関連する前記バイアス分類基準を調整することであって、前記バイアス分類基準を調整することは、前記第1の単語ベクトルのグループ内の単語ベクトルの前記数量を減少させるように前記第1のバイアス閾値を調整し、前記第2の単語ベクトルのグループ内の単語ベクトルの前記数量を増加させるように前記第2のバイアス閾値を調整することを含む、前記バイアス分類基準を調整することと、
前記プロセッサによって、前記第1のグループからの前記単語ベクトルと、前記第2のグループからの前記単語ベクトルとが、前記ペナルティ係数に基づいて重み付けられる単語埋め込みモデルを生成することと、
前記プロセッサによって、前記調整された第1のバイアス閾値と、前記調整された第2のバイアス閾値とに基づいて、前記第1の単語ベクトルのグループおよび前記第2の単語ベクトルのグループに含まれるそれぞれの単語ベクトルを調整することと、
前記プロセッサによって、前記第1の単語ベクトルのグループと、前記第2の単語ベクトルのグループとに基づいて、新たな実行時単語比率を調整することと、
前記プロセッサによって、前記新たな実行時単語比率および前記目標単語比率が前記デバイアス基準を満たしていると判定することと、
を行う命令をさらに含み、
前記デバイアス済み人工知能モデルは、前記デバイアス基準を満たすことに応答して生成される、
請求項1に記載のシステム。 - 前記コンピュータ可読媒体は、前記プロセッサによって実行可能な命令であって、
前記プロセッサによって、前記単語埋め込みモデルが生成される前に、前記ペナルティ係数を減少させること、
を行う命令をさらに含む、請求項11に記載のシステム。 - 前記コンピュータ可読媒体は、前記プロセッサによって実行可能な命令であって、
前記プロセッサによって、ユーザによって定義される前記非ゼロのペナルティ係数を受け取るように構成されるコントロールを含むユーザインターフェースを生成すること、
を行う命令をさらに含む、請求項1に記載のシステム。 - 前記バイアス分類基準は、前記バイアス定義ベクトルに対する各単語ベクトルの意味的類似度スコアを比較することによって、前記単語ベクトルをグループ化するように構成される、請求項1に記載のシステム。
- 前記コンピュータ可読媒体は、前記プロセッサによって実行可能な命令であって、
前記プロセッサによって、前記バイアス分類基準または前記ペナルティ係数について、ユーザ定義の閾値パラメータを受け取り、前記ユーザ定義の閾値パラメータと、前記バイアス定義ベクトルに対する各単語ベクトルの意味的類似度スコアとを比較すること、
を行う命令をさらに含む、請求項1に記載のシステム。 - 人工知能モデルにおけるバイアスを低減するための、プロセッサおよびメモリを含むコンピュータの作動方法であって、
前記プロセッサによって、単語のコーパスに基づいて生成される単語埋め込みモデルを受け取ることであって、前記単語埋め込みモデルは、前記単語のコーパスを表す単語ベクトルを含む、受け取ることと、
前記プロセッサによって、前記単語埋め込みモデルの埋め込み空間においてバイアス定義ベクトルを決定することであって、前記バイアス定義ベクトルは、前記単語埋め込みモデルの埋め込み空間においてバイアスタイプを表すバイアス軸に沿って定義され、前記バイアス軸は、前記プロセッサによって、バイアスカテゴリベクトルを識別することによって導出され、且つ前記バイアスタイプは、性別、人種、民族、年代、または前記埋め込み空間における他の一般化のいずれかを含む、決定することと、
前記プロセッサによって、バイアス分類基準を受け取ることであって、前記バイアス分類基準は、前記バイアス定義ベクトルからの距離測定値に基づいて前記単語ベクトルを第1の単語ベクトルのグループおよび第2の単語ベクトルのグループにグループ化するためのロジックを含み、前記第1の単語ベクトルのグループは、前記バイアスタイプの第1のバイアスカテゴリを表し、前記第2の単語ベクトルのグループは、前記バイアスタイプの第2のバイアスカテゴリを表す、受け取ることと、
前記プロセッサによって、前記単語埋め込みモデルの埋め込み空間において、前記バイアス分類基準に含まれる前記単語ベクトルをグループ化するためのロジックを使用して、前記第1の単語ベクトルのグループおよび前記第2の単語ベクトルのグループを識別することと、
前記プロセッサによって、前記第1のバイアスカテゴリ内の単語の数量と、前記第2のバイアスカテゴリ内の単語の数量とに基づく目標単語比率を受け取ることと、
前記プロセッサによって、デバイアス済み人工知能モデルを生成することであって、前記デバイアス済み人工知能モデルは、単語を表すメトリックを含み、前記第1の単語ベクトルのグループに関連付けられた単語の前記メトリックおよび前記第2の単語ベクトルのグループに関連付けられた単語のメトリックは、非ゼロのペナルティ係数に基づいて重み付けられ、前記非ゼロのペナルティ係数は、前記単語ベクトルと前記バイアス定義ベクトルとの間の距離を減少または増加させるべく割り当てられ、前記プロセッサは、前記目標単語比率を達成するように前記非ゼロのペナルティ係数を調節させる、生成することと、
を含む、方法。 - 前記プロセッサによって、前記第1の単語ベクトルのグループ内の単語ベクトルの数量と、前記第2の単語ベクトルのグループ内の単語ベクトルの数量とに基づいて、実行時単語比率を求めることと、
前記プロセッサによって、前記実行時単語比率および前記目標単語比率が、前記実行時単語比率と前記目標比率とを比較するように構成されるデバイアス基準を満たしていないと判定することであって、前記デバイアス基準は、前記目標単語比率を前記実行時単語比率と比較するロジックを含む、判定することと、
前記デバイアス基準が満たされていないことに応答して、
前記プロセッサによって、前記第1の単語ベクトルのグループ内の単語ベクトルの前記数量と、前記第2の単語ベクトルのグループ内の単語ベクトルの前記数量とを調整するように、前記非ゼロのペナルティ係数、または前記非ゼロのペナルティ係数と前記バイアス分類基準との組み合わせを調節することと、
前記プロセッサによって、前記実行時比率を再度求めることと、
前記プロセッサによって、前記実行時単語比率および前記目標単語比率が前記デバイアス基準を満たしていると判定することであって、前記デバイアス済み人工知能モデルは、前記デバイアス基準が満たされていることに応答して、前記調整された非ゼロのペナルティ係数に基づいて生成される、判定することと、
をさらに含む、請求項16に記載の方法。 - 人工知能モデルにおけるバイアスを低減するためのシステムであって、
メモリと、
前記メモリに結合されるプロセッサとを備え、前記プロセッサは、
単語のコーパスに基づいて生成される単語埋め込みモデルを受け取ることであって、前記単語埋め込みモデルは、前記単語のコーパスを表す単語ベクトルを含む、受け取ることと、
前記単語埋め込みモデルの埋め込み空間においてバイアス定義ベクトルを決定することであって、前記バイアス定義ベクトルは、前記単語埋め込みモデルの埋め込み空間においてバイアスタイプを表すバイアス軸に沿って定義され、前記バイアス軸は、前記プロセッサによって、バイアスカテゴリベクトルを識別することによって導出され、且つ前記バイアスタイプは、性別、人種、民族、年代、または前記埋め込み空間における他の一般化のいずれかを含む、決定することと、
バイアス分類基準を受け取ることであって、前記バイアス分類基準は、前記バイアス定義ベクトルからの距離測定値に基づいて前記単語ベクトルをグループ化するためのロジックを含む、受け取ることと、
前記単語埋め込みモデルの埋め込み空間において、前記バイアス分類基準に含まれる前記単語ベクトルをグループ化するためのロジックを使用して、第1の単語ベクトルのグループおよび第2の単語ベクトルのグループを識別することであって、前記第1の単語ベクトルのグループは、前記バイアスタイプの第1のバイアスカテゴリを表し、前記第2の単語ベクトルのグループは、前記バイアスタイプの第2のバイアスカテゴリを表す、識別することと、
前記第1のバイアスカテゴリ内の単語の数量と、前記第2のバイアスカテゴリ内の単語の数量とに基づく目標単語比率を受け取ることと、
デバイアス済み人工知能モデルを生成することであって、前記デバイアス済み人工知能モデルは、単語を表すメトリックを含み、前記第1の単語ベクトルのグループに関連付けられた単語の前記メトリックおよび前記第2の単語ベクトルのグループに関連付けられた単語のメトリックは、非ゼロのペナルティ係数に基づいて重み付けられ、前記非ゼロのペナルティ係数は、前記単語ベクトルと前記バイアス定義ベクトルとの間の距離を減少または増加させるべく割り当てられ、前記プロセッサは、前記目標単語比率を達成するように前記非ゼロのペナルティ係数を調節させる、生成することと、
を行うように構成される、システム。 - 前記プロセッサは、
前記第1の単語ベクトルのグループ内の単語ベクトルの数量と、前記第2の単語ベクトルのグループ内の単語ベクトルの数量とに基づいて、実行時単語比率を求めることと、
前記実行時単語比率および前記目標単語比率が、前記目標単語比率を前記実行時単語比率と比較するロジックを含むデバイアス基準を満たしていないと判定することと、
前記デバイアス基準が満たされていないことに応答して、
前記第1の単語ベクトルのグループ内の単語ベクトルの前記数量を増加または減少させ、前記第2の単語ベクトルのグループ内の単語ベクトルの前記数量を減少または増加させるように、前記バイアス分類基準を調節すること
を行うようにさらに構成される、請求項18に記載のシステム。 - 前記プロセッサは、
前記デバイアス済み人工知能モデルに基づいてコンピュータ生成の推論を作成するように構成されるサーバに前記デバイアス済み人工知能モデルを配備することであって、前記デバイアス済み人工知能モデルは、新たな単語埋め込みモデル、用語頻度-逆文書頻度(TF-IDF)モデル、またはこれらの任意の組み合わせを含む、配備すること、
を行うようにさらに構成される、請求項18に記載のシステム。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962812005P | 2019-02-28 | 2019-02-28 | |
US62/812,005 | 2019-02-28 | ||
US16/423,067 US10671942B1 (en) | 2019-02-28 | 2019-05-27 | Tunable bias reduction pipeline |
US16/423,067 | 2019-05-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020170504A JP2020170504A (ja) | 2020-10-15 |
JP7191058B2 true JP7191058B2 (ja) | 2022-12-16 |
Family
ID=70855992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020030481A Active JP7191058B2 (ja) | 2019-02-28 | 2020-02-26 | チューニング可能なバイアス低減用パイプライン |
Country Status (2)
Country | Link |
---|---|
US (2) | US10671942B1 (ja) |
JP (1) | JP7191058B2 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11526508B1 (en) * | 2019-06-28 | 2022-12-13 | Cerner Innovation, Inc. | Concept embeddings for improved search |
US11934969B2 (en) * | 2019-10-01 | 2024-03-19 | International Business Machines Corporation | Bias identification in cognitive computing systems |
US11475331B2 (en) | 2020-06-25 | 2022-10-18 | International Business Machines Corporation | Bias source identification and de-biasing of a dataset |
CN117223017A (zh) * | 2021-03-30 | 2023-12-12 | 维萨国际服务协会 | 用于对机器学习模型的嵌入向量去偏置的系统、方法和计算机程序产品 |
US11615077B1 (en) | 2021-08-24 | 2023-03-28 | Microsoft Technology Licensing, Llc | Editable rules-based model system |
WO2023250413A1 (en) * | 2022-06-22 | 2023-12-28 | Visa International Service Association | Interpretable debiasing of vectorized language representations with iterative orthogonalization |
-
2019
- 2019-05-27 US US16/423,067 patent/US10671942B1/en active Active
-
2020
- 2020-02-26 JP JP2020030481A patent/JP7191058B2/ja active Active
- 2020-05-26 US US16/883,673 patent/US11657236B2/en active Active
Non-Patent Citations (2)
Title |
---|
Tolga Bolukbasi他4名,Quantifying and Reducing Stereotypes in Word Embeddings[online],2016年06月20日,41-45頁,https://arxiv.org/pdf/1606.06121,[検索日2021年 4月21日],インターネット |
Yahav Bechavod他1名,Penalizing Unfairness In Binary Classification,2018年03月08日,https://arxiv.org/pdf/1707.00044,[検索日2021年 4月21日],インターネット |
Also Published As
Publication number | Publication date |
---|---|
US10671942B1 (en) | 2020-06-02 |
US11657236B2 (en) | 2023-05-23 |
US20200285999A1 (en) | 2020-09-10 |
JP2020170504A (ja) | 2020-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7191058B2 (ja) | チューニング可能なバイアス低減用パイプライン | |
US11017180B2 (en) | System and methods for processing and interpreting text messages | |
US20220043970A1 (en) | Automated form generation system | |
US11238211B2 (en) | Automatic hyperlinking of documents | |
US10474478B2 (en) | Methods, systems, and computer program product for implementing software applications with dynamic conditions and dynamic actions | |
US20190354810A1 (en) | Active learning to reduce noise in labels | |
US20190147369A1 (en) | Rule Determination for Black-Box Machine-Learning Models | |
US20190130305A1 (en) | Methods, systems, and computer program product for implementing an intelligent system with dynamic configurability | |
US11115712B2 (en) | Systems and methods for indexing, searching for, and retrieving digital media | |
Almaksour et al. | Improving premise structure in evolving takagi–sugeno neuro-fuzzy classifiers | |
US20200184425A1 (en) | System and method for screening candidates and including a process for autobucketing candidate roles | |
US11373145B2 (en) | Technology for candidate insight evaluation | |
US9672202B2 (en) | Context-aware re-formating of an input | |
US20200160191A1 (en) | Semi-automated correction of policy rules | |
US11797849B2 (en) | Systems and methods for adaptive training of a machine learning system processing textual data | |
US20190244094A1 (en) | Machine learning driven data management | |
US20220027764A1 (en) | Method of and system for online machine learning with dynamic model evaluation and selection | |
US20220147934A1 (en) | Utilizing machine learning models for identifying a subject of a query, a context for the subject, and a workflow | |
US10896034B2 (en) | Methods and systems for automated screen display generation and configuration | |
US20210109918A1 (en) | Intelligent reading support | |
US11314488B2 (en) | Methods and systems for automated screen display generation and configuration | |
US20140207712A1 (en) | Classifying Based on Extracted Information | |
Pandey et al. | Machine learning–based classifiers ensemble for credit risk assessment | |
WO2023164312A1 (en) | An apparatus for classifying candidates to postings and a method for its use | |
US20230368003A1 (en) | Adaptive sparse attention pattern |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200226 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20200629 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210608 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20210906 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20211108 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20211207 Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211207 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220510 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20220809 Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220809 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221108 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221206 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7191058 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |