論文の概要: Genetic Programming for Evolving a Front of Interpretable Models for
Data Visualisation
- arxiv url: http://arxiv.org/abs/2001.09578v1
- Date: Mon, 27 Jan 2020 04:03:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 07:21:21.627146
- Title: Genetic Programming for Evolving a Front of Interpretable Models for
Data Visualisation
- Title(参考訳): データ可視化のための解釈可能なモデルの進化のための遺伝的プログラミング
- Authors: Andrew Lensen, Bing Xue, Mengjie Zhang
- Abstract要約: GPtSNEという遺伝的プログラミング手法を用いて,データセットから高品質な可視化へ解釈可能なマッピングを進化させる手法を提案する。
多目的アプローチは、視覚的品質とモデルの複雑さの間に異なるトレードオフをもたらす、単一の実行で様々な可視化を生成するように設計されている。
- 参考スコア(独自算出の注目度): 4.4181317696554325
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data visualisation is a key tool in data mining for understanding big
datasets. Many visualisation methods have been proposed, including the
well-regarded state-of-the-art method t-Distributed Stochastic Neighbour
Embedding. However, the most powerful visualisation methods have a significant
limitation: the manner in which they create their visualisation from the
original features of the dataset is completely opaque. Many domains require an
understanding of the data in terms of the original features; there is hence a
need for powerful visualisation methods which use understandable models. In
this work, we propose a genetic programming approach named GPtSNE for evolving
interpretable mappings from a dataset to highquality visualisations. A
multi-objective approach is designed that produces a variety of visualisations
in a single run which give different trade-offs between visual quality and
model complexity. Testing against baseline methods on a variety of datasets
shows the clear potential of GP-tSNE to allow deeper insight into data than
that provided by existing visualisation methods. We further highlight the
benefits of a multi-objective approach through an in-depth analysis of a
candidate front, which shows how multiple models can
- Abstract(参考訳): データ視覚化は、ビッグデータ集合を理解するためのデータマイニングの重要なツールである。
最先端手法 t-Distributed Stochastic Neighbour Embedding など,多くの可視化手法が提案されている。
しかしながら、最も強力な視覚化メソッドには大きな制限がある。データセットの本来の機能から視覚化を作成する方法は、完全に不透明である。
多くのドメインは元の機能の観点からデータを理解する必要があるため、理解可能なモデルを使用する強力な視覚化メソッドが必要となる。
本研究では,データセットから高品質な可視化への解釈可能なマッピングを進化させるための遺伝的プログラミング手法GPtSNEを提案する。
多目的アプローチは、視覚的品質とモデルの複雑さの間に異なるトレードオフをもたらす、単一の実行で様々な可視化を生成するように設計されている。
さまざまなデータセットのベースラインメソッドに対するテストは、既存の視覚化方法よりもデータに対する深い洞察を可能にするGP-tSNEの明確な可能性を示している。
さらに、候補フロントの詳細な分析を通じて多目的アプローチの利点をさらに強調し、複数のモデルがどのようにできるかを示す。
関連論文リスト
- Multi-modal Auto-regressive Modeling via Visual Words [96.25078866446053]
本稿では,視覚的特徴を大規模多モードモデルの語彙上の確率分布にマッピングする視覚的単語の概念を提案する。
さらに、LMM内の意味空間における視覚的特徴の分布と、視覚情報を表現するためにテキスト埋め込みを使用することの可能性について検討する。
論文 参考訳(メタデータ) (2024-03-12T14:58:52Z) - StableLLaVA: Enhanced Visual Instruction Tuning with Synthesized
Image-Dialogue Data [129.92449761766025]
本稿では,視覚的インストラクションチューニングのための画像と対話を同期的に合成する新しいデータ収集手法を提案する。
このアプローチは生成モデルのパワーを活用し、ChatGPTとテキスト・ツー・イメージ生成モデルの能力とを結合する。
本研究は,各種データセットを対象とした総合的な実験を含む。
論文 参考訳(メタデータ) (2023-08-20T12:43:52Z) - Multi-Objective Genetic Algorithm for Multi-View Feature Selection [0.23343923880060582]
多視点データに対する従来の特徴選択手法の限界を克服する新しい遺伝的アルゴリズム戦略を提案する。
提案手法は多視点多目的特徴選択遺伝的アルゴリズム (MMFS-GA) と呼ばれ、ビュー内およびビュー間における特徴の最適なサブセットを同時に選択する。
合成データと実データを含む3つのベンチマークデータセットに対する評価結果から,最良基準法よりも優れた結果が得られた。
論文 参考訳(メタデータ) (2023-05-26T13:25:20Z) - T1: Scaling Diffusion Probabilistic Fields to High-Resolution on Unified
Visual Modalities [69.16656086708291]
拡散確率場(DPF)は、距離空間上で定義された連続関数の分布をモデル化する。
本稿では,局所構造学習に着目したビューワイズサンプリングアルゴリズムによる新しいモデルを提案する。
モデルは、複数のモダリティを統一しながら、高解像度のデータを生成するためにスケールすることができる。
論文 参考訳(メタデータ) (2023-05-24T03:32:03Z) - A Spectral Method for Assessing and Combining Multiple Data
Visualizations [13.193958370464683]
与えられたデータセットの複数のビジュアライゼーションを評価し,組み合わせるための効率的なスペクトル法を提案する。
提案手法は,各データ点の周辺構造を保存するための可視化の相対的な性能について,定量的な測定値,可視化固有スコア(en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en:en: en:en:en:en:en:en:en:en:en:en
我々は,複数のシミュレーションおよび実世界のデータセットを分析し,可視化評価のための固有スコアの有効性と,提案したコンセンサス・ビジュアライゼーションの優位性を示す。
論文 参考訳(メタデータ) (2022-10-25T02:13:19Z) - Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。
1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。
各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-04-11T03:25:25Z) - Multi-view Data Visualisation via Manifold Learning [0.03222802562733786]
本論文は, 学生のT分散SNE, LLE, ISOMAPの拡張を提案し, 多視点データの次元的縮小と可視化を可能にする。
マルチビューマニホールド学習手法で得られた低次元埋め込みをK平均アルゴリズムに組み込むことにより、サンプルのクラスタを正確に特定できることを示した。
論文 参考訳(メタデータ) (2021-01-17T19:54:36Z) - Saliency-driven Class Impressions for Feature Visualization of Deep
Neural Networks [55.11806035788036]
分類に欠かせないと思われる特徴を視覚化することは有利である。
既存の可視化手法は,背景特徴と前景特徴の両方からなる高信頼画像を生成する。
本研究では,あるタスクにおいて最も重要であると考えられる識別的特徴を可視化するための,サリエンシ駆動型アプローチを提案する。
論文 参考訳(メタデータ) (2020-07-31T06:11:06Z) - Generative Partial Multi-View Clustering [133.36721417531734]
本稿では,不完全なマルチビュー問題に対処するため,GP-MVCと呼ばれる生成的部分的マルチビュークラスタリングモデルを提案する。
まず、マルチビューエンコーダネットワークをトレーニングして、一般的な低次元表現を学習し、次にクラスタリング層を使用して複数のビューをまたいだ一貫したクラスタ構造をキャプチャする。
第2に、他のビューが与える共有表現に基づいて、1つのビュー条件の欠落データを生成するために、ビュー固有の生成敵ネットワークを開発する。
論文 参考訳(メタデータ) (2020-03-29T17:48:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。