論文の概要: AstronomicAL: An interactive dashboard for visualisation, integration
and classification of data using Active Learning
- arxiv url: http://arxiv.org/abs/2109.05207v1
- Date: Sat, 11 Sep 2021 07:32:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-18 14:24:46.310612
- Title: AstronomicAL: An interactive dashboard for visualisation, integration
and classification of data using Active Learning
- Title（参考訳）: Astronomical:Active Learningを用いたデータの可視化、統合、分類のためのインタラクティブダッシュボード
- Authors: Grant Stevens, Sotiria Fotopoulou, Malcolm N. Bremer, Oliver Ray
- Abstract要約: Astronomicalは、人間とループで対話的なラベリングとトレーニングのダッシュボードである。
アクティブラーニングを使用して、信頼性の高いデータセットと堅牢な分類器を作成することができる。
ユーザーは異なるソースからデータを視覚化して統合することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AstronomicAL is a human-in-the-loop interactive labelling and training
dashboard that allows users to create reliable datasets and robust classifiers
using active learning. This technique prioritises data that offer high
information gain, leading to improved performance using substantially less
data. The system allows users to visualise and integrate data from different
sources and deal with incorrect or missing labels and imbalanced class sizes.
AstronomicAL enables experts to visualise domain-specific plots and key
information relating both to broader context and details of a point of interest
drawn from a variety of data sources, ensuring reliable labels. In addition,
AstronomicAL provides functionality to explore all aspects of the training
process, including custom models and query strategies. This makes the software
a tool for experimenting with both domain-specific classifications and more
general-purpose machine learning strategies. We illustrate using the system
with an astronomical dataset due to the field's immediate need; however,
AstronomicAL has been designed for datasets from any discipline. Finally, by
exporting a simple configuration file, entire layouts, models, and assigned
labels can be shared with the community. This allows for complete transparency
and ensures that the process of reproducing results is effortless
- Abstract（参考訳）: astronomicalは、対話的なラベル付けとトレーニングのダッシュボードで、アクティブラーニングを使用して、信頼できるデータセットと堅牢な分類器を作成できる。
この手法は、高い情報ゲインを提供するデータを優先し、実質的に少ないデータでパフォーマンスを改善する。
このシステムは、異なるソースからのデータを視覚化して統合し、不正確なラベルや不均衡なクラスサイズを扱うことができる。
Astronomicalは、さまざまなデータソースから引き出された関心点のより広いコンテキストと詳細の両方に関連する、ドメイン固有のプロットと重要な情報を可視化し、信頼できるラベルを保証する。
さらに、autronationは、カスタムモデルやクエリ戦略など、トレーニングプロセスのすべての側面を探索する機能を提供する。
これにより、ソフトウェアは、ドメイン固有の分類とより汎用的な機械学習戦略の両方を実験するためのツールになります。
フィールドの即時的な要求により、このシステムを天文学的なデータセットで使用することを説明するが、天文学はあらゆる分野のデータセットのために設計されている。
最後に、シンプルな構成ファイルをエクスポートすることで、レイアウト全体、モデル、割り当てられたラベルをコミュニティと共有することができる。
これにより、完全な透明性を実現し、結果の再現プロセスが無力であることを保証する
関連論文リスト
- A Self Supervised StyleGAN for Image Annotation and Classification with
Extremely Limited Labels [35.43549147657739]
画像アノテーションと分類のための自己教師型アプローチであるSS-StyleGANを提案する。
提案手法は,50と10の小さなラベル付きデータセットを用いて,強力な分類結果が得られることを示す。
論文 参考訳（メタデータ） (2023-12-26T09:46:50Z) - infoVerse: A Universal Framework for Dataset Characterization with
Multidimensional Meta-information [68.76707843019886]
infoVerseは、データセットの特徴付けのための普遍的なフレームワークである。
infoVerseは、様々なモデル駆動メタ情報を統合することで、データセットの多次元特性をキャプチャする。
実世界の3つのアプリケーション(データプルーニング、アクティブラーニング、データアノテーション)において、infoVerse空間で選択されたサンプルは、強いベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2023-05-30T18:12:48Z) - Learn to Explore: on Bootstrapping Interactive Data Exploration with
Meta-learning [8.92180350317399]
本稿ではメタ学習に基づく学習から発見までのフレームワークを提案し,メタタスクを自動生成した分類器の学習方法を学習する。
提案手法は,精度と効率の点で既存探索法よりも優れている。
論文 参考訳（メタデータ） (2022-12-07T03:12:41Z) - Is margin all you need? An extensive empirical study of active learning
on tabular data [66.18464006872345]
我々は,OpenML-CC18ベンチマークを用いて,69の実世界のデータセット上での各種能動学習アルゴリズムの性能を解析した。
意外なことに、古典的なマージンサンプリング技術は、現在の最先端技術を含む、他のすべてのものよりも優れている。
論文 参考訳（メタデータ） (2022-10-07T21:18:24Z) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳（メタデータ） (2022-01-31T20:02:22Z) - TAGLETS: A System for Automatic Semi-Supervised Learning with Auxiliary
Data [8.653321928148545]
機械学習の実践者は、しばしば幅広いデータにアクセスすることができる。
TAGLETSは3種類のデータを自動的に活用する技術を研究するために開発されたシステムである。
論文 参考訳（メタデータ） (2021-11-08T20:08:45Z) - Deep Transfer Learning for Multi-source Entity Linkage via Domain
Adaptation [63.24594955429465]
マルチソースエンティティリンクは、データのクリーニングやユーザ縫合といった、高インパクトなアプリケーションにおいて重要である。
AdaMELは、多ソースエンティティリンクを実行するための一般的なハイレベルな知識を学ぶディープトランスファー学習フレームワークである。
本フレームワークは,教師付き学習に基づく平均的手法よりも8.21%向上した最先端の学習結果を実現する。
論文 参考訳（メタデータ） (2021-10-27T15:20:41Z) - Simple multi-dataset detection [83.9604523643406]
複数の大規模データセット上で統合検出器を訓練する簡単な方法を提案する。
データセット固有のアウトプットを共通の意味分類に自動的に統合する方法を示す。
私たちのアプローチは手動の分類学の調整を必要としません。
論文 参考訳（メタデータ） (2021-02-25T18:55:58Z) - Adversarial Knowledge Transfer from Unlabeled Data [62.97253639100014]
本稿では,インターネット規模の未ラベルデータから知識を伝達し,分類器の性能を向上させるための新しいAdversarial Knowledge Transferフレームワークを提案する。
我々の手法の重要な新しい側面は、ラベル付けされていないソースデータは、ラベル付けされたターゲットデータと異なるクラスであることができ、個別のプリテキストタスクを定義する必要がないことである。
論文 参考訳（メタデータ） (2020-08-13T08:04:27Z)
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。