論文の概要: Boxer: Interactive Comparison of Classifier Results

• arxiv url: http://arxiv.org/abs/2004.07964v1
• Date: Thu, 16 Apr 2020 21:05:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 22:23:01.785661
• Title: Boxer: Interactive Comparison of Classifier Results
• Title（参考訳）: boxer: 分類結果のインタラクティブ比較
• Authors: Michael Gleicher, Aditya Barve, Xinyi Yu, Florian Heimerl
• Abstract要約: Boxerは、機械学習の比較を可能にするシステムである。 これによってユーザは、トレーニングとテストのインスタンスの興味深いサブセットを特定し、これらのサブセットの分類器のパフォーマンスを比較することができる。 モデル選択,チューニング,公平性評価,データ品質診断などのユースケースで,Boxerを実演する。
• 参考スコア（独自算出の注目度）: 9.957660146705745
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning practitioners often compare the results of different classifiers to help select, diagnose and tune models. We present Boxer, a system to enable such comparison. Our system facilitates interactive exploration of the experimental results obtained by applying multiple classifiers to a common set of model inputs. The approach focuses on allowing the user to identify interesting subsets of training and testing instances and comparing performance of the classifiers on these subsets. The system couples standard visual designs with set algebra interactions and comparative elements. This allows the user to compose and coordinate views to specify subsets and assess classifier performance on them. The flexibility of these compositions allow the user to address a wide range of scenarios in developing and assessing classifiers. We demonstrate Boxer in use cases including model selection, tuning, fairness assessment, and data quality diagnosis.
• Abstract（参考訳）: 機械学習の実践者は、異なる分類器の結果を比較して、モデルの選択、診断、チューニングを支援する。 このような比較を可能にするシステムであるBoxerを提案する。 モデル入力の共通集合に複数の分類器を適用することにより,実験結果の対話的探索を容易にする。 このアプローチは、ユーザがトレーニングとテストインスタンスの興味深いサブセットを特定し、これらのサブセットにおける分類器のパフォーマンスを比較することに焦点を当てている。 このシステムは、標準視覚設計と集合代数相互作用と比較要素を結合する。 これにより、ビューを作成してコーディネートしてサブセットを指定し、分類器のパフォーマンスを評価することができる。 これらの構成の柔軟性により、ユーザーは分類器の開発と評価の幅広いシナリオに対処できる。 我々は,モデル選択,チューニング,公平性評価,データ品質診断などのユースケースでboxerを実演する。

関連論文リスト

• Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
  1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。 マルチモーダルデータに適した深層学習一クラス分類法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T12:31:18Z)
• Class-Specific Variational Auto-Encoder for Content-Based Image Retrieval [95.42181254494287]
  本稿では,変分自動エンコーダ(VAE)に対する正規化損失を提案する。 その結果、モデルは、関心のクラスに属するデータを他のあらゆる可能性から識別することを学ぶ。 実験の結果,提案手法はドメイン内およびドメイン外検索における競合よりも優れていた。
  論文  参考訳（メタデータ） (2023-04-23T19:51:25Z)
• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• Learning-From-Disagreement: A Model Comparison and Visual Analytics Framework [21.055845469999532]
  本稿では,2つの分類モデルを視覚的に比較するフレームワークを提案する。 具体的には、不一致のインスタンスから学ぶために差別者を訓練する。 我々は、訓練された識別器を、異なるメタ特徴のSHAP値で解釈する。
  論文  参考訳（メタデータ） (2022-01-19T20:15:35Z)
• Multi-Label Image Classification with Contrastive Learning [57.47567461616912]
  コントラスト学習の直接適用は,複数ラベルの場合においてほとんど改善できないことを示す。 完全教師付き環境下でのコントラスト学習を用いたマルチラベル分類のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-07-24T15:00:47Z)
• Visualizing Classifier Adjacency Relations: A Case Study in Speaker Verification and Voice Anti-Spoofing [72.4445825335561]
  任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。 ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。 提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
  論文  参考訳（メタデータ） (2021-06-11T13:03:33Z)
• Active Hybrid Classification [79.02441914023811]
  本論文では,クラスタとマシンが分類問題にどう対応できるかを示す。 本稿では,活発な学習と群集分類を編成し,それらを活発なサイクルで組み合わせるアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-01-21T21:09:07Z)
• Random Hyperboxes [9.061408029414455]
  本稿では,個々のハイパーボックスに基づく分類器の強度に基づいて,提案した分類器の一般化誤差を示す。 提案する分類器の有効性は、慎重に選択された例を用いて分析する。 実データセットの一般化誤差境界に関する既存の問題を特定し,潜在的研究の方向性を報告する。
  論文  参考訳（メタデータ） (2020-06-01T03:42:20Z)
• Search Result Clustering in Collaborative Sound Collections [17.48516881308658]
  大規模オンラインデータベースを問合せする際に得られた多様な音声コレクションをクラスタリングするために,音声特徴を用いたグラフベースのアプローチを提案する。 不整合クラスタを破棄する信頼性尺度を用いることで,パーティションの品質が向上することを示す。
  論文  参考訳（メタデータ） (2020-04-08T13:08:17Z)
• FDive: Learning Relevance Models using Pattern-based Similarity Measures [27.136998442865217]
  FDiveは視覚的に探索可能な関連モデルの作成を支援する視覚的能動学習システムである。 最適な類似度尺度に基づいて、インタラクティブな自己組織化マップベースの関連モデルを算出する。 また、その正確性を改善するために、さらに関連性フィードバックを自動で促す。
  論文  参考訳（メタデータ） (2019-07-29T15:37:43Z)

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。