論文の概要: Discovering Interpretable Machine Learning Models in Parallel Coordinates

• arxiv url: http://arxiv.org/abs/2106.07474v1
• Date: Mon, 14 Jun 2021 15:01:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-15 15:44:52.230984
• Title: Discovering Interpretable Machine Learning Models in Parallel Coordinates
• Title（参考訳）: 並列座標における解釈可能な機械学習モデルの発見
• Authors: Boris Kovalerchuk, Dustin Hayes
• Abstract要約: ハイパーキューブとハイパーブロックの概念は、並列座標の視覚的形式においてエンドユーザーが容易に理解できるように使用される。 混合および純超ブロック(HBs)を用いた分類のためのハイパーアルゴリズムを提案し,対話的にかつ自動的に超ブロックを発見する。
• 参考スコア（独自算出の注目度）: 9.13755431537592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper contributes to interpretable machine learning via visual knowledge discovery in parallel coordinates. The concepts of hypercubes and hyper-blocks are used as easily understandable by end-users in the visual form in parallel coordinates. The Hyper algorithm for classification with mixed and pure hyper-blocks (HBs) is proposed to discover hyper-blocks interactively and automatically in individual, multiple, overlapping, and non-overlapping setting. The combination of hyper-blocks with linguistic description of visual patterns is presented too. It is shown that Hyper models generalize decision trees. The Hyper algorithm was tested on the benchmark data from UCI ML repository. It allowed discovering pure and mixed HBs with all data and then with 10-fold cross validation. The links between hyper-blocks, dimension reduction and visualization are established. Major benefits of hyper-block technology and the Hyper algorithm are in their ability to discover and observe hyper-blocks by end-users including side by side visualizations making patterns visible for all classes. Another advantage of sets of HBs relative to the decision trees is the ability to avoid both data overgeneralization and overfitting.
• Abstract（参考訳）: 本稿では,並列座標における視覚知識発見による解釈可能な機械学習に寄与する。 ハイパーキューブとハイパーブロックの概念は、パラレル座標の視覚形態のエンドユーザによって容易に理解できる。 混合および純超ブロック(HBs)を用いた分類のためのハイパーアルゴリズムを提案し、個別、複数、重複、重複しない設定において、ハイパーブロックを対話的に、かつ自動的に発見する。 ハイパーブロックと視覚パターンの言語記述の組み合わせについても述べる。 ハイパーモデルは決定木を一般化する。 ハイパーアルゴリズムはUCI MLリポジトリのベンチマークデータでテストされた。 すべてのデータで純粋な混合HBを発見し、10倍のクロスバリデーションを実現できる。 ハイパーブロック,次元縮小,可視化のリンクを確立する。 ハイパーブロック技術とハイパーアルゴリズムの主な利点は、すべてのクラスでパターンを可視化するサイドバイサイドの可視化を含む、エンドユーザーによるハイパーブロックの検出と観察を可能にすることである。 決定木に対するHBsのもう1つの利点は、データの過一般化と過適合の両方を避ける能力である。

関連論文リスト

• Hyper-YOLO: When Visual Object Detection Meets Hypergraph Computation [74.65906322148997]
  本稿では,画像特徴量間の複雑な高次相関を捉えるためにハイパーグラフ計算を統合する新しいオブジェクト検出手法を提案する。 Hyper-YOLOは、高度なYOLOv8-NとYOLOv9Tを12%のtextval$と9%のAPMoonLabの改善で大幅に上回っている。
  論文  参考訳（メタデータ） (2024-08-09T01:21:15Z)
• Hyperbolic Delaunay Geometric Alignment [52.835250875177756]
  双曲空間におけるデータセットの比較のための類似度スコアを提案する。 中心となる考え方は、与えられた集合をまたいだデータポイントを接続する双曲デラウネーグラフのエッジを数えることである。 人工および実生活の生物学的データに関する実証的研究を行い、HyperDGAが集合間の古典的距離の双曲バージョンより優れていることを示す。
  論文  参考訳（メタデータ） (2024-04-12T17:14:58Z)
• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• Parallel Coordinates for Discovery of Interpretable Machine Learning Models [3.4809730725241597]
  この研究は、並列座標における視覚的知識発見を用いて、解釈可能な機械学習の手法を前進させる。 提案したデータ分類アルゴリズムであるHyperでは,混合ハイパーブロックと純粋なハイパーブロックを用いることが提案されている。 エンドユーザーがハイパーブロックを見つけて観察する能力と、パターンを明確にするためのサイドバイサイドの可視化能力は、ハイパーブロック技術とハイパーアルゴリズムの大きな利点である。
  論文  参考訳（メタデータ） (2023-05-28T23:57:46Z)
• A Dataset for Hyper-Relational Extraction and a Cube-Filling Approach [59.89749342550104]
  本稿では,テキストからより具体的で完全な事実を抽出するハイパーリレーショナル抽出の課題を提案する。 既存のモデルは、3つの実体間の相互作用を考えるモデルを必要とするため、ハイパーリレーショナル抽出を行うことはできない。 テーブル充填手法に着想を得た立方体充填モデルであるCubeREを提案する。
  論文  参考訳（メタデータ） (2022-11-18T03:51:28Z)
• HyperNP: Interactive Visual Exploration of Multidimensional Projection Hyperparameters [61.354362652006834]
  HyperNPは、ニューラルネットワーク近似をトレーニングすることで、プロジェクションメソッドをリアルタイムにインタラクティブに探索できるスケーラブルな方法である。 我々は3つのデータセット間でのHyperNPの性能を,性能と速度の観点から評価した。
  論文  参考訳（メタデータ） (2021-06-25T17:28:14Z)
• Learning Multi-Granular Hypergraphs for Video-Based Person Re-Identification [110.52328716130022]
  ビデオベースの人物識別(re-ID)はコンピュータビジョンにおいて重要な研究課題である。 MGH(Multi-Granular Hypergraph)という新しいグラフベースのフレームワークを提案する。 MARSの90.0%のトップ-1精度はMGHを用いて達成され、最先端のスキームよりも優れていた。
  論文  参考訳（メタデータ） (2021-04-30T11:20:02Z)
• Generative hypergraph clustering: from blockmodels to modularity [26.99290024958576]
  異質なノード度とエッジサイズを持つクラスタ化ハイパーグラフの表現的生成モデルを提案する。 我々は,100万ノードの合成ハイパーグラフを用いた実験など,ハイパーグラフ・ルーバインは高度にスケーラブルであることを示す。 このモデルを用いて,学校連絡ネットワークにおける高次構造の異なるパターン,米国議会法案共同提案,米国議会委員会,共同購入行動における製品カテゴリ,ホテルロケーションを分析した。
  論文  参考訳（メタデータ） (2021-01-24T00:25:22Z)
• Multi-View Brain HyperConnectome AutoEncoder For Brain State Classification [0.0]
  本稿では,近傍のアルゴリズムに基づいて,各脳の視線に対するハイパーコネクトームを構築するための新しい手法を提案する。 また,マルチビュー・ハイパーコネクトーム上で直接動作するハイパーコネクトーム・オートエンコーダ・フレームワークを設計する。 実験の結果,HCAEによる脳内埋め込みが脳状態の分類に有効であることが判明した。
  論文  参考訳（メタデータ） (2020-09-24T08:51:44Z)

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。