Fugu-MT 論文翻訳(概要): Interactive slice visualization for exploring machine learning models

論文の概要: Interactive slice visualization for exploring machine learning models

arxiv url: http://arxiv.org/abs/2101.06986v1
Date: Mon, 18 Jan 2021 10:47:53 GMT
ステータス: 処理完了
システム内更新日: 2021-03-27 13:01:57.475375
Title: Interactive slice visualization for exploring machine learning models
Title（参考訳）: 機械学習モデル探索のためのインタラクティブスライス可視化
Authors: Catherine B. Hurley, Mark O'Connell, Katarina Domijan
Abstract要約: 予測空間のスライスをインタラクティブに可視化し,解釈可能性の低下に対処する。具体的には,機械学習アルゴリズムのブラックボックスを開放し,モデルの適合性を疑問視し,説明し,検証し,比較する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning models fit complex algorithms to arbitrarily large datasets. These algorithms are well-known to be high on performance and low on interpretability. We use interactive visualization of slices of predictor space to address the interpretability deficit; in effect opening up the black-box of machine learning algorithms, for the purpose of interrogating, explaining, validating and comparing model fits. Slices are specified directly through interaction, or using various touring algorithms designed to visit high-occupancy sections or regions where the model fits have interesting properties. The methods presented here are implemented in the R package \pkg{condvis2}.
Abstract（参考訳）: 機械学習モデルは、任意の規模のデータセットに複雑なアルゴリズムを適合させる。これらのアルゴリズムは、性能が高く、解釈性が低いことでよく知られている。我々は、予測空間のスライスをインタラクティブに可視化し、解釈可能性の欠陥に対処し、事実上、機械学習アルゴリズムのブラックボックスを開くことで、モデルの適合性を疑問視し、説明し、検証し、比較することを目的としている。スライスは相互作用を通じて直接指定されるか、あるいはモデルに適合する高占有領域や地域を訪れるように設計された様々なツアーアルゴリズムを使用する。ここで提示されるメソッドは、Rパッケージ \pkg{condvis2} に実装される。

関連論文リスト

An Information Compensation Framework for Zero-Shot Skeleton-based Action Recognition [49.45660055499103]
ゼロショットの人間の骨格に基づく行動認識は、トレーニング中に見られるカテゴリ外の行動を認識するモデルを構築することを目的としている。従来の研究では、シーケンスの視覚的空間分布と意味的空間分布の整合性に焦点が当てられていた。強固で頑健な表現を得るために,新たな損失関数サンプリング手法を提案する。
論文参考訳（メタデータ） (2024-06-02T06:53:01Z)
Provably Efficient Representation Learning with Tractable Planning in Low-Rank POMDP [81.00800920928621]
部分的に観測可能なマルコフ決定過程(POMDP)における表現学習の研究まず,不確実性(OFU)に直面した最大推定(MLE)と楽観性を組み合わせた復調性POMDPのアルゴリズムを提案する。次に、このアルゴリズムをより広範な$gamma$-observable POMDPのクラスで機能させる方法を示す。
論文参考訳（メタデータ） (2023-06-21T16:04:03Z)
Interpreting Black-box Machine Learning Models for High Dimensional Datasets [40.09157165704895]
我々は、高次元データセット上でブラックボックスモデルをトレーニングし、その分類が行われる埋め込みを学習する。次に、トップk特徴空間上の解釈可能な代理モデルを用いてブラックボックスモデルの挙動を近似する。我々のアプローチは、異なるデータセットでテストした場合、TabNetやXGboostのような最先端の手法よりも優れています。
論文参考訳（メタデータ） (2022-08-29T07:36:17Z)
Emblaze: Illuminating Machine Learning Representations through Interactive Comparison of Embedding Spaces [9.849191565291855]
Emblazeは、組み込み空間比較を計算ノート環境に統合するシステムである。アニメーションでインタラクティブな散乱プロットと、新しいスタートレイル拡張を使って視覚的比較を可能にしている。また、空間間の興味深い変化を伴う点群を動的に提案するために、新しい近傍解析とクラスタリング手順も採用している。
論文参考訳（メタデータ） (2022-02-05T21:01:49Z)
Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文参考訳（メタデータ） (2021-07-07T11:17:09Z)
Transforming Feature Space to Interpret Machine Learning Models [91.62936410696409]
この貢献は、特徴空間変換のレンズを通して機械学習モデルを解釈する新しいアプローチを提案する。非条件的および条件付きポストホック診断ツールの拡張に使用できる。提案手法の可能性を実証するために,46特徴のリモートセンシング土地被覆分類の事例研究を行った。
論文参考訳（メタデータ） (2021-04-09T10:48:11Z)
Model-agnostic interpretation by visualization of feature perturbations [0.0]
粒子群最適化アルゴリズムによって誘導される特徴の摂動を可視化し,モデルに依存しない解釈手法を提案する。我々は,公開データセットに対して質的かつ定量的にアプローチを検証する。
論文参考訳（メタデータ） (2021-01-26T00:53:29Z)
Learning outside the Black-Box: The pursuit of interpretable models [78.32475359554395]
本稿では,任意の連続ブラックボックス関数の連続的大域的解釈を生成するアルゴリズムを提案する。我々の解釈は、その芸術の以前の状態から飛躍的な進歩を表している。
論文参考訳（メタデータ） (2020-11-17T12:39:44Z)
A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文参考訳（メタデータ） (2020-06-22T08:35:58Z)
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。