論文の概要: A Machine Learning Approach for Predicting Human Preference for Graph Layouts

• arxiv url: http://arxiv.org/abs/2103.03665v1
• Date: Mon, 1 Mar 2021 23:54:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 00:53:06.141162
• Title: A Machine Learning Approach for Predicting Human Preference for Graph Layouts
• Title（参考訳）: グラフレイアウトにおける人間の選好予測のための機械学習アプローチ
• Authors: Shijun Cai, Seok-Hee Hong, Jialiang Shen, Tongliang Liu
• Abstract要約: グラフレイアウトの人間の好みを予測するための最初の機械学習アプローチを紹介します。 基本真理の人間の好みデータセットを用いた実験結果から,モデルがグラフレイアウトの人間の好みを正しく予測できることが示された。
• 参考スコア（独自算出の注目度）: 46.31441679172231
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding what graph layout human prefer and why they prefer is significant and challenging due to the highly complex visual perception and cognition system in human brain. In this paper, we present the first machine learning approach for predicting human preference for graph layouts. In general, the data sets with human preference labels are limited and insufficient for training deep networks. To address this, we train our deep learning model by employing the transfer learning method, e.g., exploiting the quality metrics, such as shape-based metrics, edge crossing and stress, which are shown to be correlated to human preference on graph layouts. Experimental results using the ground truth human preference data sets show that our model can successfully predict human preference for graph layouts. To our best knowledge, this is the first approach for predicting qualitative evaluation of graph layouts using human preference experiment data.
• Abstract（参考訳）: 人間の脳の視覚的知覚と認知システムが非常に複雑であるため、グラフレイアウトがどんなものを好むのかを理解することは重要かつ困難である。 本稿では,グラフレイアウトに対する人間の嗜好を予測するための最初の機械学習手法を提案する。 一般に、人間の好みラベルを持つデータセットは限定的で、ディープネットワークのトレーニングには不十分である。 これを解決するために、我々は、例えば、グラフレイアウト上の人間の嗜好と相関していることを示す形状ベースのメトリクスやエッジクロス、ストレスといった品質指標を活用するように、伝達学習手法を用いてディープラーニングモデルを訓練する。 人選好データセットを用いた実験結果から,人間の選好をグラフレイアウトで予測できることが示唆された。 我々の知る限り、これは人間の嗜好実験データを用いてグラフレイアウトの質的評価を予測するための最初のアプローチである。

関連論文リスト

• Influencing Humans to Conform to Preference Models for RLHF [41.929409024817936]
  選好モデルでは、人間の報酬関数の近似が貧弱なことを学習するリスクがある。 我々は,人間の嗜好表現に影響を及ぼすかどうかを3つの人間の研究により評価し,好む嗜好モデルにより密接に適合させる。
  論文  参考訳（メタデータ） (2025-01-11T03:12:53Z)
• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• Better with Less: A Data-Active Perspective on Pre-Training Graph Neural Networks [39.71761440499148]
  グラフニューラルネットワーク(GNN)の事前トレーニングは、ラベルのないデータで下流タスクの転送可能な知識を学ぶことを目的としている。 より少ないが慎重に選択されたデータはGNNモデルに入力される。 実験の結果,提案手法により,より少ないトレーニングデータとより優れたダウンストリーム性能を有する効率的な事前学習モデルが得られることがわかった。
  論文  参考訳（メタデータ） (2023-11-02T07:09:59Z)
• Intrinsically motivated graph exploration using network theories of human curiosity [71.2717061477241]
  本稿では,人間の好奇心の2つの理論によるグラフ構造化データの探索手法を提案する。 提案した特徴を,グラフニューラルネットワークに基づく強化学習の報奨として利用する。
  論文  参考訳（メタデータ） (2023-07-11T01:52:08Z)
• Curriculum Graph Machine Learning: A Survey [51.89783017927647]
  カリキュラムグラフ機械学習(Graph CL)は、グラフ機械学習とカリキュラム学習の強みを統合する。 本稿では,グラフCLのアプローチを概観し,最近の研究動向を概観する。
  論文  参考訳（メタデータ） (2023-02-06T16:59:25Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Graph Self-Supervised Learning: A Survey [73.86209411547183]
  SSL(Self-supervised Learning)は、グラフデータの有望でトレンドの学習パラダイムとなっています。 グラフデータにSSL技術を用いた既存のアプローチをタイムリーかつ包括的にレビューします。
  論文  参考訳（メタデータ） (2021-02-27T03:04:21Z)

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。

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。