論文の概要: Neo: Generalizing Confusion Matrix Visualization to Hierarchical and Multi-Output Labels

• arxiv url: http://arxiv.org/abs/2110.12536v1
• Date: Sun, 24 Oct 2021 21:55:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 09:27:52.465796
• Title: Neo: Generalizing Confusion Matrix Visualization to Hierarchical and Multi-Output Labels
• Title（参考訳）: Neo: 階層および多出力ラベルへの融合行列可視化の一般化
• Authors: Jochen G\"ortler, Fred Hohman, Dominik Moritz, Kanit Wongsuphasawat, Donghao Ren, Rahul Nair, Marc Kirchner, Kayur Patel
• Abstract要約: 混乱行列は、機械学習モデルを評価するのに役立つユビキタスな視覚化である。 従来の混乱行列は階層ラベルやマルチアウトプットラベルのような複雑なデータ構造をサポートしていない。 我々は,階層的・多出力の混乱行列を柔軟に記述し,操作することができる視覚分析システムNeoを開発した。
• 参考スコア（独自算出の注目度）: 25.336125962529692
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The confusion matrix, a ubiquitous visualization for helping people evaluate machine learning models, is a tabular layout that compares predicted class labels against actual class labels over all data instances. We conduct formative research with machine learning practitioners at a large technology company and find that conventional confusion matrices do not support more complex data-structures found in modern-day applications, such as hierarchical and multi-output labels. To express such variations of confusion matrices, we design an algebra that models confusion matrices as probability distributions. Based on this algebra, we develop Neo, a visual analytics system that enables practitioners to flexibly author and interact with hierarchical and multi-output confusion matrices, visualize derived metrics, renormalize confusions, and share matrix specifications. Finally, we demonstrate Neo's utility with three case studies that help people better understand model performance and reveal hidden confusions.
• Abstract（参考訳）: 機械学習モデルを評価するためのユビキタスな視覚化である混乱行列は、予測されたクラスラベルと、すべてのデータインスタンス上の実際のクラスラベルを比較するための表レイアウトである。 大規模技術系企業において,機械学習実践者とのフォーマティブな研究を行い,従来の混乱行列は階層ラベルやマルチアウトプットラベルなど,現代のアプリケーションに見られるより複雑なデータ構造をサポートしていないことを発見した。 このような混乱行列のバリエーションを表現するために、混乱行列を確率分布としてモデル化する代数を設計する。 この代数に基づいて,階層的および複数出力の混乱行列を柔軟に作成・操作し,派生メトリクスを視覚化し,混乱を再現し,マトリックス仕様を共有するビジュアル分析システムneoを開発した。 最後に、モデルパフォーマンスをよりよく理解し、隠れた混乱を明らかにするために、3つのケーススタディでNeoのユーティリティを実証します。

関連論文リスト

• CoLA: Exploiting Compositional Structure for Automatic and Efficient Numerical Linear Algebra [62.37017125812101]
  機械学習における大規模線形代数問題に対して, CoLA という, 単純だが汎用的なフレームワークを提案する。 線形演算子抽象と合成ディスパッチルールを組み合わせることで、CoLAはメモリと実行時の効率的な数値アルゴリズムを自動的に構築する。 偏微分方程式,ガウス過程,同変モデル構築,教師なし学習など,幅広い応用で有効性を示す。
  論文  参考訳（メタデータ） (2023-09-06T14:59:38Z)
• Unsupervised Learning of Invariance Transformations [105.54048699217668]
  近似グラフ自己同型を見つけるためのアルゴリズムフレームワークを開発する。 重み付きグラフにおける近似自己同型を見つけるために、このフレームワークをどのように利用できるかについて議論する。
  論文  参考訳（メタデータ） (2023-07-24T17:03:28Z)
• Multi-Layer Attention-Based Explainability via Transformers for Tabular Data [11.866061471514582]
  グラフ指向の注意に基づく表データの説明可能性法を提案する。 すべての頭とレイヤーの注意行列を考慮に入れます。 多層アテンションに基づく説明の質を評価するために、一般的なアテンション、勾配、摂動に基づく説明可能性法と比較する。
  論文  参考訳（メタデータ） (2023-02-28T03:28:18Z)
• Exploring ordered patterns in the adjacency matrix for improving machine learning on complex networks [0.0]
  提案手法は、複素グラフの隣接行列の要素を特定の順序で並べ替えるソートアルゴリズムを用いる。 結果のソートされた隣接行列は、特徴抽出と機械学習アルゴリズムの入力として使用され、ネットワークを分類する。
  論文  参考訳（メタデータ） (2023-01-20T00:01:23Z)
• Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
  本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。 この問題は楕円分布のペナルティ化された最大推定値として表される。 楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
  論文  参考訳（メタデータ） (2022-10-21T13:19:45Z)
• A Tutorial on the Spectral Theory of Markov Chains [0.0]
  このチュートリアルはMarkovチェーンの詳細な紹介を提供する。 線形代数やグラフ理論のツールを用いて、マルコフ連鎖の異なるタイプの遷移行列を記述する。 その結果は、機械学習とデータマイニングにおける多くの手法に関連している。
  論文  参考訳（メタデータ） (2022-07-05T20:43:40Z)
• Graph Attention Transformer Network for Multi-Label Image Classification [50.0297353509294]
  複雑なラベル間関係を効果的にマイニングできる多ラベル画像分類のための一般的なフレームワークを提案する。 提案手法は3つのデータセット上で最先端の性能を実現することができる。
  論文  参考訳（メタデータ） (2022-03-08T12:39:05Z)
• Matrix Completion with Hierarchical Graph Side Information [39.00971122472004]
  ソーシャルグラフやアイテム類似性グラフを副次情報として活用する行列補完問題を考える。 我々は階層的なグラフクラスタリングから始まる普遍的でパラメータフリーで計算効率のよいアルゴリズムを開発した。 我々は、我々の理論的結果を裏付けるために、合成および実世界のデータセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2022-01-02T03:47:41Z)
• A Deep Generative Model for Matrix Reordering [26.86727566323601]
  グラフの様々な行列の並べ替えの潜在空間を学習する生成モデルを開発する。 学習した潜在空間から直感的なユーザインタフェースを構築し、様々な行列の並べ替えのマップを作成する。 本稿では,グラフの行列再順序生成を機械学習モデルで学習する,グラフの行列可視化に対する基本的新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-11T02:55:24Z)
• Vector-Matrix-Vector Queries for Solving Linear Algebra, Statistics, and Graph Problems [58.83118651518438]
  ベクトル行列ベクトルクエリを用いて行列について学習する一般的な問題を考える。 これらのクエリは、固定フィールド上の$boldsymbolumathrmTboldsymbolMboldsymbolv$の値を提供する。 我々は、線形代数、統計、グラフにまたがる様々な問題に対して、新しい上界と下界を提供する。
  論文  参考訳（メタデータ） (2020-06-24T19:33:49Z)
• Explainable Matrix -- Visualization for Global and Local Interpretability of Random Forest Classification Ensembles [78.6363825307044]
  本研究では,ランダムフォレスト (RF) 解釈のための新しい可視化手法である Explainable Matrix (ExMatrix) を提案する。 単純なマトリックスのようなメタファで、行はルール、列は特徴、セルはルールを述語する。 ExMatrixの適用性は、異なる例を通じて確認され、RFモデルの解釈可能性を促進するために実際にどのように使用できるかを示している。
  論文  参考訳（メタデータ） (2020-05-08T21:03:48Z)

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。