論文の概要: Visually Analyzing and Steering Zero Shot Learning

• arxiv url: http://arxiv.org/abs/2009.05254v1
• Date: Fri, 11 Sep 2020 06:58:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 22:01:30.948579
• Title: Visually Analyzing and Steering Zero Shot Learning
• Title（参考訳）: ゼロショット学習の視覚分析とステアリング
• Authors: Saroj Sahoo and Matthew Berger
• Abstract要約: 本研究では,ゼロショット学習モデルの解析とステアリングを支援する視覚分析システムを提案する。 使用シナリオを通じて,ゼロショット学習におけるパフォーマンス向上のために,我々のシステムがいかに役立つかを強調した。
• 参考スコア（独自算出の注目度）: 2.802183323381949
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a visual analytics system to help a user analyze and steer zero-shot learning models. Zero-shot learning has emerged as a viable scenario for categorizing data that consists of no labeled examples, and thus a promising approach to minimize data annotation from humans. However, it is challenging to understand where zero-shot learning fails, the cause of such failures, and how a user can modify the model to prevent such failures. Our visualization system is designed to help users diagnose and understand mispredictions in such models, so that they may gain insight on the behavior of a model when applied to data associated with categories not seen during training. Through usage scenarios, we highlight how our system can help a user improve performance in zero-shot learning.
• Abstract（参考訳）: 本稿では,ゼロショット学習モデルの解析と制御を支援するビジュアル分析システムを提案する。 ゼロショット学習はラベル付き例のないデータを分類するための実行可能なシナリオとして現れており、人間からのデータアノテーションを最小化するための有望なアプローチである。 しかし、ゼロショット学習の失敗、そのような失敗の原因、およびユーザがモデルを変更して失敗を防止する方法を理解することは困難である。 可視化システムは,このようなモデルの誤予測を診断し,理解するために設計されており,トレーニング中に見ないカテゴリに関連するデータに適用することで,モデルの振る舞いに関する洞察を得ることができる。 使用シナリオを通じて,ゼロショット学習のパフォーマンス向上を支援するシステムについて紹介する。

関連論文リスト

• An Information Theoretic Approach to Machine Unlearning [45.600917449314444]
  学びの鍵となる課題は、モデルのパフォーマンスを保ちながら、必要なデータをタイムリーに忘れることである。 この研究では、ゼロショットのアンラーニングシナリオに対処し、未学習のアルゴリズムは、トレーニングされたモデルと忘れられるデータだけが与えられたデータを削除できなければならない。 モデルの幾何に基づいて、単純だが原則化されたゼロショットアンラーニング法を導出する。
  論文  参考訳（メタデータ） (2024-02-02T13:33:30Z)
• Identifying and Mitigating Model Failures through Few-shot CLIP-aided Diffusion Generation [65.268245109828]
  本稿では,突発的相関に付随する障害モードのテキスト記述を生成するためのエンドツーエンドフレームワークを提案する。 これらの記述は拡散モデルのような生成モデルを用いて合成データを生成するのに使うことができる。 本実験では, ハードサブポピュレーションの精度(sim textbf21%$)が著しく向上した。
  論文  参考訳（メタデータ） (2023-12-09T04:43:49Z)
• Flew Over Learning Trap: Learn Unlearnable Samples by Progressive Staged Training [28.17601195439716]
  非学習技術は、公開のためのデータに知覚不可能な摂動を加えることで、学習不可能なサンプルを生成する。 そこで本研究では,未学習サンプルのイメージ特徴と摂動特徴の両方を早期に学習できることを示す。 本研究では,学習摂動機能において,モデルが過度に適合することを効果的に防止する段階訓練を提案する。
  論文  参考訳（メタデータ） (2023-06-03T09:36:16Z)
• Addressing Bias in Visualization Recommenders by Identifying Trends in Training Data: Improving VizML Through a Statistical Analysis of the Plotly Community Feed [55.41644538483948]
  機械学習は、高いスケーラビリティと表現力のために、視覚化レコメンデーションに対する有望なアプローチである。 本研究は,統計的解析によりトレーニングデータの傾向を特定することで,機械学習可視化推薦システムにおけるトレーニングバイアスに対処することを目的とする。
  論文  参考訳（メタデータ） (2022-03-09T18:36:46Z)
• Disrupting Model Training with Adversarial Shortcuts [12.31803688544684]
  画像分類設定のための概念実証手法を提案する。 本稿では,モデルが意味的特徴よりも非破壊的な信号に頼ることを奨励する,敵対的ショートカットの概念に基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-06-12T01:04:41Z)
• Explainable Adversarial Attacks in Deep Neural Networks Using Activation Profiles [69.9674326582747]
  本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。 これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-18T13:04:21Z)
• Adversarial Examples for Unsupervised Machine Learning Models [71.81480647638529]
  回避予測を引き起こすアドリラルな例は、機械学習モデルの堅牢性を評価し改善するために広く利用されている。 教師なしモデルに対する逆例生成の枠組みを提案し,データ拡張への新たな応用を実証する。
  論文  参考訳（メタデータ） (2021-03-02T17:47:58Z)
• Sufficiently Accurate Model Learning for Planning [119.80502738709937]
  本稿では,制約付きSufficiently Accurateモデル学習手法を提案する。 これはそのような問題の例を示し、いくつかの近似解がいかに近いかという定理を提示する。 近似解の質は、関数のパラメータ化、損失と制約関数の滑らかさ、モデル学習におけるサンプルの数に依存する。
  論文  参考訳（メタデータ） (2021-02-11T16:27:31Z)
• Unsupervised Difficulty Estimation with Action Scores [7.6146285961466]
  トレーニング中の各サンプルの損失の蓄積に基づいて,難易度を簡易に算出する手法を提案する。 提案手法では,コールバックとして実装できるため,外部監視も不要である。
  論文  参考訳（メタデータ） (2020-11-23T15:18:44Z)
• How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
  本稿では,トレーニングデータの密度と制御性能の関係を考察する。 データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。 フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-25T12:13:49Z)
• Pattern Learning for Detecting Defect Reports and Improvement Requests in App Reviews [4.460358746823561]
  本研究では、レビューを欠陥報告と改善の要求として分類することで、この行動可能な洞察の欠如を狙う新しいアプローチに従う。 我々は,遺伝的プログラミングを通じて語彙・意味パターンを学習できる教師付きシステムを採用している。 自動学習パターンは手作業で生成したパターンよりも優れており、生成可能であることを示す。
  論文  参考訳（メタデータ） (2020-04-19T08:13:13Z)

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。