論文の概要: Explaining Groups of Points in Low-Dimensional Representations

• arxiv url: http://arxiv.org/abs/2003.01640v3
• Date: Fri, 14 Aug 2020 15:54:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 22:09:06.893113
• Title: Explaining Groups of Points in Low-Dimensional Representations
• Title（参考訳）: 低次元表現における点群の説明
• Authors: Gregory Plumb, Jonathan Terhorst, Sriram Sankararaman, Ameet Talwalkar
• Abstract要約: 我々は、新しいタイプの説明、GCE(Global Counterfactual Explanation)、および我々のアルゴリズムであるTransitive Global Translations(TGT)を紹介する。 TGTは、圧縮センシングを用いて各グループ間の差を識別するが、これらの相違はすべてのグループ間で一貫性があるように制約する。 経験的に、TGTは比較的疎いモデルで正確に説明できる説明を識別でき、これらの説明がデータの実際のパターンと一致することを実証する。
• 参考スコア（独自算出の注目度）: 22.069781949309732
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A common workflow in data exploration is to learn a low-dimensional representation of the data, identify groups of points in that representation, and examine the differences between the groups to determine what they represent. We treat this workflow as an interpretable machine learning problem by leveraging the model that learned the low-dimensional representation to help identify the key differences between the groups. To solve this problem, we introduce a new type of explanation, a Global Counterfactual Explanation (GCE), and our algorithm, Transitive Global Translations (TGT), for computing GCEs. TGT identifies the differences between each pair of groups using compressed sensing but constrains those pairwise differences to be consistent among all of the groups. Empirically, we demonstrate that TGT is able to identify explanations that accurately explain the model while being relatively sparse, and that these explanations match real patterns in the data.
• Abstract（参考訳）: データ探索における一般的なワークフローは、データの低次元表現を学習し、その表現中のポイントのグループを特定し、グループ間の差異を調べて、それらが何を表現しているかを決定することである。 このワークフローを低次元表現を学習したモデルを利用して解釈可能な機械学習問題として扱い、グループ間の重要な違いを識別する。 この問題を解決するために,我々は,GCE 計算のための新しいタイプの説明法,GCE (Global Counterfactual Explanation) とアルゴリズムであるTransitive Global Translations (TGT) を導入する。 TGTは、圧縮センシングを用いて各グループ間の差を識別するが、これらの相違はすべてのグループ間で一貫性があるように制約する。 経験的に、TGTは比較的疎いモデルで正確に説明できる説明を識別でき、これらの説明がデータの実際のパターンと一致することを実証する。

関連論文リスト

• Comparing the information content of probabilistic representation spaces [3.7277730514654555]
  確率的表現空間は、データセットに関する情報を伝達し、トレーニング損失やネットワークアーキテクチャなどの要因の影響を理解するために、そのような空間の情報内容を比較する。 ここでは、ポイントベースの比較尺度に基づいて構築する代わりに、ハードクラスタリングに関する文献から古典的な手法に基づいて構築する。 本稿では,データセットのサンプルを用いて表現空間をフィンガープリントする手法を提案する。
  論文  参考訳（メタデータ） (2024-05-31T17:33:07Z)
• Task Groupings Regularization: Data-Free Meta-Learning with Heterogeneous Pre-trained Models [83.02797560769285]
  Data-Free Meta-Learning (DFML)は、トレーニング済みモデルのコレクションから、元のデータにアクセスせずに知識を抽出することを目的としている。 現在の手法は、事前訓練されたモデル間の不均一性を見落とし、タスクの衝突による性能低下につながることが多い。 課題群規則化(Task Groupings Regularization)は、矛盾するタスクをグループ化し整合させることにより、モデルの不均一性から恩恵を受ける新しいアプローチである。
  論文  参考訳（メタデータ） (2024-05-26T13:11:55Z)
• Uncovering Prototypical Knowledge for Weakly Open-Vocabulary Semantic Segmentation [59.37587762543934]
  本稿では,弱開語彙セマンティックセマンティックセグメンテーション(WOVSS)の問題点について検討する。 既存の方法は、グループトークンの使用に関する粒度の矛盾に悩まされる。 マルチモーダル正規化を組み込んだプロトタイプ誘導ネットワーク(PGSeg)を提案する。
  論文  参考訳（メタデータ） (2023-10-29T13:18:00Z)
• Rectifying Group Irregularities in Explanations for Distribution Shift [18.801357928801412]
  GSE(Group-Aware Shift Explanations)は、最悪のグループ最適化を活用して、グループ不規則を是正することで解釈可能な説明を生成する。 人口統計学や階層的サブポピュレーションなどのグループ構造をGSEが維持するだけでなく、その結果の妥当性やロバスト性も向上することを示す。
  論文  参考訳（メタデータ） (2023-05-25T17:57:46Z)
• Homomorphism Autoencoder -- Learning Group Structured Representations from Observed Transitions [51.71245032890532]
  本研究では,世界に作用するエージェントが,それを修飾する動作と整合した感覚情報の内部表現を学習できるようにする手法を提案する。 既存の作業とは対照的に、我々のアプローチはグループの事前の知識を必要とせず、エージェントが実行可能なアクションのセットを制限しない。
  論文  参考訳（メタデータ） (2022-07-25T11:22:48Z)
• The Group Loss++: A deeper look into group loss for deep metric learning [65.19665861268574]
  グループ損失 (Group Loss) は、グループの全サンプルに埋め込まれた類似性を強制する微分可能なラベルプロパゲーション法に基づく損失関数である。 4つのデータセットでクラスタリングと画像検索の最先端結果を示し、2人の再識別データセットで競合結果を示す。
  論文  参考訳（メタデータ） (2022-04-04T14:09:58Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Fair Group-Shared Representations with Normalizing Flows [68.29997072804537]
  本研究では,異なるグループに属する個人を1つのグループにマッピングできる公正表現学習アルゴリズムを開発した。 提案手法は,他の公正表現学習アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2022-01-17T10:49:49Z)
• Group-disentangled Representation Learning with Weakly-Supervised Regularization [13.311886256230814]
  GroupVAEは、一貫性と非絡み合いの表現を強制するために、単純だが効果的なクルバック・リーバーの発散に基づく正規化である。 本研究では, グループ差分表現が, 公平な分類や, 再構築, 分類, 転帰学習といった3次元形状関連タスクなど, 下流タスクにおいて改善されることを実証する。
  論文  参考訳（メタデータ） (2021-10-23T10:01:05Z)
• Deep Grouping Model for Unified Perceptual Parsing [36.73032339428497]
  知覚に基づくグループ化プロセスは階層的および構成的イメージ表現を生成する。 本稿では,2種類の表現を密に結合したディープグルーピングモデル(DGM)を提案し,特徴交換のためのボトムアップとトップダウンプロセスを定義する。 このモデルは、他の文脈ベースセグメンテーションモデルと比較して計算オーバーヘッドが小さく、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2020-03-25T21:16:09Z)

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。