Fugu-MT 論文翻訳(概要): Visualizing Classification Structure of Large-Scale Classifiers

論文の概要: Visualizing Classification Structure of Large-Scale Classifiers

arxiv url: http://arxiv.org/abs/2007.06068v2
Date: Sun, 19 Jul 2020 01:58:03 GMT
ステータス: 処理完了
システム内更新日: 2022-11-11 05:10:59.847314
Title: Visualizing Classification Structure of Large-Scale Classifiers
Title（参考訳）: 大規模分類器の分類構造
Authors: Bilal Alsallakh and Zhixin Yan and Shabnam Ghaffarzadegan and Zeng Dai and Liu Ren
Abstract要約: 本稿では,予測スコアに基づく大規模分類において,クラス類似度を計算する尺度を提案する。クラス類似度行列の可視化によって階層構造やクラスを統治する関係が明らかになることを示す。
参考スコア（独自算出の注目度）: 16.91862347264715
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a measure to compute class similarity in large-scale classification based on prediction scores. Such measure has not been formally pro-posed in the literature. We show how visualizing the class similarity matrix can reveal hierarchical structures and relationships that govern the classes. Through examples with various classifiers, we demonstrate how such structures can help in analyzing the classification behavior and in inferring potential corner cases. The source code for one example is available as a notebook at https://github.com/bilalsal/blocks
Abstract（参考訳）: 本稿では,予測スコアに基づく大規模分類におけるクラス類似度を計算する尺度を提案する。この措置は文学において公式には公布されていない。クラス類似度行列の可視化によって階層構造とクラスを統治する関係を明らかにする。様々な分類器の例を通して、そのような構造が分類挙動の分析や潜在的コーナーケースの推測にどのように役立つかを示す。 1つの例のソースコードは、https://github.com/bilalsal/blocksでノートブックとして入手できる。

関連論文リスト

Inspecting class hierarchies in classification-based metric learning models [0.0]
我々は、ベンチマークと実世界のデータセット上で、いくつかのトレーニングオプションを備えたソフトマックス分類器と3つのメトリック学習モデルを訓練する。我々は,学習したクラスの代表者や階層的インフォームドのパフォーマンス,すなわち分類性能とメートル法学習性能を事前に定義された階層構造を考慮し,階層的推論性能を評価する。
論文参考訳（メタデータ） (2023-01-26T12:40:12Z)
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)
Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
論文参考訳（メタデータ） (2022-11-21T18:47:11Z)
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)
Silhouettes and quasi residual plots for neural nets and tree-based classifiers [0.0]
ここでは、トレーニングデータとテストデータの両方において、分類されたケースを視覚化する、別の目標を追求します。重要な側面は、あるケースが与えられたクラス(ラベル)に分類されたかどうか、または、分類器がそれを別のクラスに割り当てたいかどうかである。グラフィカルディスプレイは、画像、混合機能、ツイートを含むベンチマークデータセットで図示され、解釈される。
論文参考訳（メタデータ） (2021-06-16T14:26:31Z)
Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
ディープワンクラス分類のための2段階フレームワークを提案する。まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
論文参考訳（メタデータ） (2020-11-04T23:33:41Z)
Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
論文参考訳（メタデータ） (2020-08-31T08:41:20Z)
Class maps for visualizing classification results [0.0]
分類法は、まず与えられたクラス(ラベル)でオブジェクトのトレーニングセットを処理する。トレーニングデータやテストデータ上で得られた予測方法を実行すると、オブジェクトが与えられたラベルとは異なるクラスに横になっていると予測されることがある。提案されたクラスマップは、オブジェクトが代替クラスに属する確率、それが与えられたクラスの他のオブジェクトからどれくらい離れているか、そしてあるオブジェクトがすべてのクラスから遠く離れているかどうかを反映している。
論文参考訳（メタデータ） (2020-07-28T21:27:15Z)
A Systematic Evaluation: Fine-Grained CNN vs. Traditional CNN Classifiers [54.996358399108566]
本稿では,大規模分類データセット上でトップノーチ結果を示すランドマーク一般的なCNN分類器の性能について検討する。最先端のきめ細かい分類器と比較する。実験において, 粒度の細かい分類器がベースラインを高められるかどうかを判定するために, 6つのデータセットについて広範囲に評価する。
論文参考訳（メタデータ） (2020-03-24T23:49:14Z)
Multi-Class Classification from Noisy-Similarity-Labeled Data [98.13491369929798]
雑音に類似したラベル付きデータのみから学習する方法を提案する。ノイズ遷移行列を用いて、クリーンデータとノイズデータの間にクラス後確率をブリッジする。雑音のないクラスラベルをインスタンスに割り当てる新しい学習システムを構築した。
論文参考訳（メタデータ） (2020-02-16T05:10:21Z)

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。