論文の概要: Visual analytics of set data for knowledge discovery and member
selection support
- arxiv url: http://arxiv.org/abs/2104.09231v2
- Date: Sat, 24 Jul 2021 06:44:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 08:34:09.341164
- Title: Visual analytics of set data for knowledge discovery and member
selection support
- Title（参考訳）: 知識発見とメンバー選択支援のためのデータセットの視覚分析
- Authors: Ryuji Watanabe, Hideaki Ishibashi, Tetsuo Furukawa
- Abstract要約: 本研究では,知識発見とメンバー選択を支援するために,データセットのVAを作成する手法を開発した。
典型的なターゲットアプリケーションは、チーム分析とメンバー選択のためのビジュアルサポートシステムである。
バスケットボールチームに適用して提案手法を実証し,結果予測とラインアップ再構築タスクのベンチマークシステムと比較した。
- 参考スコア（独自算出の注目度）: 0.7734726150561089
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual analytics (VA) is a visually assisted exploratory analysis approach in
which knowledge discovery is executed interactively between the user and system
in a human-centered manner. The purpose of this study is to develop a method
for the VA of set data aimed at supporting knowledge discovery and member
selection. A typical target application is a visual support system for team
analysis and member selection, by which users can analyze past teams and
examine candidate lineups for new teams. Because there are several
difficulties, such as the combinatorial explosion problem, developing a VA
system of set data is challenging. In this study, we first define the
requirements that the target system should satisfy and clarify the accompanying
challenges. Then we propose a method for the VA of set data, which satisfies
the requirements. The key idea is to model the generation process of sets and
their outputs using a manifold network model. The proposed method visualizes
the relevant factors as a set of topographic maps on which various information
is visualized. Furthermore, using the topographic maps as a bidirectional
interface, users can indicate their targets of interest in the system on these
maps. We demonstrate the proposed method by applying it to basketball teams,
and compare with a benchmark system for outcome prediction and lineup
reconstruction tasks. Because the method can be adapted to individual
application cases by extending the network structure, it can be a general
method by which practical systems can be built.
- Abstract（参考訳）: ビジュアル分析(VA)は、知識発見を人間中心の方法でユーザとシステム間で対話的に実行する視覚支援探索分析手法である。
本研究の目的は,知識発見とメンバ選択を支援するためのセットデータのva法を開発することである。
典型的なターゲットアプリケーションは、チーム分析とメンバー選択のためのビジュアルサポートシステムで、ユーザーは過去のチームを分析し、新しいチームの候補ラインナップを調べることができる。
組合せ爆発問題のようないくつかの困難があるため、データセットのVAシステムの開発は困難である。
本研究では,まず,対象システムが満足すべき要件を定義し,関連する課題を明らかにする。
次に,その要件を満たす集合データのVAを求める手法を提案する。
鍵となるアイデアは集合の生成過程とその出力を多様体ネットワークモデルを用いてモデル化することである。
提案手法は,様々な情報を視覚化した地形図の集合として関連因子を可視化する。
さらに、地形マップを双方向インタフェースとして使用することで、ユーザはこれらの地図上でシステムに対する関心のターゲットを示すことができる。
バスケットボールチームに適用して提案手法を実証し,結果予測とラインアップ再構築タスクのベンチマークシステムと比較した。
この手法はネットワーク構造を拡張することで個々のアプリケーションに適用できるため、実用的なシステムを構築するための一般的な方法である。
関連論文リスト
- AVIS: Autonomous Visual Information Seeking with Large Language Model
Agent [123.75169211547149]
本稿では,視覚的質問応答フレームワークAVISを提案する。
本手法は,LLM(Large Language Model)を利用して外部ツールの利用を動的に強化する。
AVIS は Infoseek や OK-VQA などの知識集約型視覚質問応答ベンチマークの最先端結果を達成する。
論文 参考訳（メタデータ） (2023-06-13T20:50:22Z) - Exploring Effective Factors for Improving Visual In-Context Learning [56.14208975380607]
In-Context Learning(ICL)は、いくつかのデモ(別名プロンプト)を通じて新しいタスクを理解し、モデルをチューニングせずに新しい入力を予測することである。
本稿では,視覚的文脈学習の推論性能に直接的な影響を及ぼす要因として,迅速な選択と迅速な融合があげられる。
視覚的インコンテキスト学習のためのシンプルなフレームワークプロンプトSelFを提案する。
論文 参考訳（メタデータ） (2023-04-10T17:59:04Z) - A Unified Comparison of User Modeling Techniques for Predicting Data
Interaction and Detecting Exploration Bias [17.518601254380275]
我々は,4つのユーザスタディデータセットの多種多様なセットにおいて,その性能に基づいて8つのユーザモデリングアルゴリズムを比較し,ランク付けする。
本研究は,ユーザインタラクションの分析と可視化のためのオープンな課題と新たな方向性を強調した。
論文 参考訳（メタデータ） (2022-08-09T19:51:10Z) - Finding Facial Forgery Artifacts with Parts-Based Detectors [73.08584805913813]
顔の個々の部分に焦点を絞った一連の偽造検知システムを設計する。
これらの検出器を用いて、FaceForensics++、Celeb-DF、Facebook Deepfake Detection Challengeデータセットの詳細な実験分析を行う。
論文 参考訳（メタデータ） (2021-09-21T16:18:45Z) - Distribution Alignment: A Unified Framework for Long-tail Visual
Recognition [52.36728157779307]
長尾視覚認識のための分散アライメント戦略を提案する。
次に,二段階学習における一般化された再重み付け法を導入して,事前のクラスバランスをとる。
提案手法は, 4つの認識タスクすべてにおいて, 単純で統一されたフレームワークを用いて最先端の結果を得る。
論文 参考訳（メタデータ） (2021-03-30T14:09:53Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Micro-entries: Encouraging Deeper Evaluation of Mental Models Over Time
for Interactive Data Systems [7.578368459974474]
本稿では,ユーザによるシステム論理のメンタルモデルの評価について論じる。
メンタルモデルは、キャプチャと分析が難しい。
ユーザーが何を知り、どのように知っているかを説明することで、研究者は構造化された時間順の洞察を集めることができる。
論文 参考訳（メタデータ） (2020-09-02T18:27:04Z) - Presentation of a Recommender System with Ensemble Learning and Graph
Embedding: A Case on MovieLens [3.8848561367220276]
グループ分類とアンサンブル学習技術は,推薦システムにおける予測精度を高めるために用いられた。
The study was performed on the MovieLens datasets, and the obtained results showed the high efficiency of the present method。
論文 参考訳（メタデータ） (2020-07-15T12:52:15Z) - A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。
本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
論文 参考訳（メタデータ） (2020-01-05T11:33:31Z) - 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。
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。