論文の概要: How Researchers Use Diagrams in Communicating Neural Network Systems
- arxiv url: http://arxiv.org/abs/2008.12566v2
- Date: Mon, 31 Aug 2020 09:59:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 02:24:16.541012
- Title: How Researchers Use Diagrams in Communicating Neural Network Systems
- Title（参考訳）: ニューラルネットワークシステムにおけるダイアグラムの使い方
- Authors: Guy Clarke Marshall, Andr\'e Freitas, Caroline Jay
- Abstract要約: 本稿では,ニューラルネットワークシステム図の利用について述べる。
ダイアグラムの作成と解釈の両方において、使用法、知覚、嗜好の多様性が高いことが分かりました。
既存のガイダンスとともにインタビューデータを考慮し、ニューラルネットワークシステム図の作り方を改善するためのガイドラインを提案する。
- 参考スコア（独自算出の注目度）: 5.064404027153093
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural networks are a prevalent and effective machine learning component, and
their application is leading to significant scientific progress in many
domains. As the field of neural network systems is fast growing, it is
important to understand how advances are communicated. Diagrams are key to
this, appearing in almost all papers describing novel systems. This paper
reports on a study into the use of neural network system diagrams, through
interviews, card sorting, and qualitative feedback structured around
ecologically-derived examples. We find high diversity of usage, perception and
preference in both creation and interpretation of diagrams, examining this in
the context of existing design, information visualisation, and user experience
guidelines. Considering the interview data alongside existing guidance, we
propose guidelines aiming to improve the way in which neural network system
diagrams are constructed.
- Abstract（参考訳）: ニューラルネットワークは一般的で効果的な機械学習コンポーネントであり、その応用は多くの領域で大きな科学的進歩をもたらしている。
ニューラルネットワークシステムの分野は急速に成長しているため、進歩がどのようにコミュニケーションされるかを理解することが重要である。
ダイアグラムはこの鍵であり、ほとんど全ての新しいシステムを記述する論文に現れている。
本稿では, インタビュー, カード分類, 質的フィードバックなどを通じて, 環境由来の事例を中心に構築されたニューラルネットワークシステム図の利用について検討する。
既存のデザイン,情報可視化,ユーザエクスペリエンスガイドラインのコンテキストにおいて,図の作成と解釈の両方において,使用法,知覚,嗜好の多様性が高いことが確認された。
既存のガイダンスとともにインタビューデータを考慮し、ニューラルネットワークシステム図の作成方法を改善するためのガイドラインを提案する。
関連論文リスト
- Coding schemes in neural networks learning classification tasks [52.22978725954347]
完全接続型広義ニューラルネットワーク学習タスクについて検討する。
ネットワークが強力なデータ依存機能を取得することを示す。
驚くべきことに、内部表現の性質は神経の非線形性に大きく依存する。
論文 参考訳（メタデータ） (2024-06-24T14:50:05Z) - Reviewing Developments of Graph Convolutional Network Techniques for
Recommendation Systems [1.2277343096128712]
本稿では,グラフニューラルネットワークに基づくリコメンデータシステムに関する最近の文献をレビューする。
我々は、グラフニューラルネットワークをレコメンデーションシステムに組み込むことの動機を探る。
論文 参考訳（メタデータ） (2023-11-10T12:11:36Z) - Graph Neural Operators for Classification of Spatial Transcriptomics
Data [1.408706290287121]
マウス脳組織サンプルにおける脳領域の予測に対する神経オペレーターの適用の有効性を検証するために,様々なグラフニューラルネットワークアプローチを取り入れた研究を提案する。
グラフニューラルネットワークのアプローチでは,F1スコアが72%近く向上し,すべてのベースラインやグラフネットワークのアプローチを上回った。
論文 参考訳（メタデータ） (2023-02-01T18:32:06Z) - Neuro-symbolic computing with spiking neural networks [0.6035125735474387]
我々は、スパイクベースのグラフアルゴリズムに関するこれまでの研究を、スパイクニューロンを用いてシンボリックおよびマルチリレーショナル情報をエンコードする方法を実証することによって拡張した。
導入されたフレームワークは、グラフ埋め込みパラダイムと、エラーバックプロパゲーションを用いたスパイクニューラルネットワークのトレーニングの最近の進歩を組み合わせることで実現されている。
論文 参考訳（メタデータ） (2022-08-04T10:49:34Z) - TeKo: Text-Rich Graph Neural Networks with External Knowledge [75.91477450060808]
外部知識を用いた新しいテキストリッチグラフニューラルネットワーク(TeKo)を提案する。
まず、高品質なエンティティを組み込んだフレキシブルな異種セマンティックネットワークを提案する。
次に、構造化三重項と非構造化実体記述という2種類の外部知識を導入する。
論文 参考訳（メタデータ） (2022-06-15T02:33:10Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Learning through structure: towards deep neuromorphic knowledge graph
embeddings [0.5906031288935515]
本稿では,知識グラフ推論のための深層グラフ学習アーキテクチャをニューロモルフィックアーキテクチャにマッピングする戦略を提案する。
ランダムかつ未学習のグラフニューラルネットワークが局所的なグラフ構造を保存することができるという知見に基づいて、凍結したニューラルネットワークの浅い知識グラフ埋め込みモデルを構成する。
我々は,従来型のハードウェア上では,性能水準を維持しながら,高速化とメモリの大幅な削減を実現していることを示す。
論文 参考訳（メタデータ） (2021-09-21T18:01:04Z) - Network representation learning systematic review: ancestors and current
development state [1.0312968200748116]
本稿では,ネットワーク埋め込みとして知られるネットワーク表現学習を誕生から現在までの体系的に調査する。
また,ネットワーク表現学習の理解に必要な基本概念の形式的定義も提供する。
最も一般的に使用される下流タスクは、埋め込みの評価、評価メトリクス、一般的なデータセットである。
論文 参考訳（メタデータ） (2021-09-14T14:44:44Z) - Learning Contact Dynamics using Physically Structured Neural Networks [81.73947303886753]
ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。
これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。
以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
論文 参考訳（メタデータ） (2021-02-22T17:33:51Z) - Graph-Based Neural Network Models with Multiple Self-Supervised
Auxiliary Tasks [79.28094304325116]
グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。
マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
論文 参考訳（メタデータ） (2020-11-14T11:09:51Z) - Graph Structure of Neural Networks [104.33754950606298]
ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。
リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。
トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
論文 参考訳（メタデータ） (2020-07-13T17:59:31Z)
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。