論文の概要: ClassSPLOM -- A Scatterplot Matrix to Visualize Separation of Multiclass Multidimensional Data

• arxiv url: http://arxiv.org/abs/2201.12822v1
• Date: Sun, 30 Jan 2022 14:09:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-01 18:25:42.189804
• Title: ClassSPLOM -- A Scatterplot Matrix to Visualize Separation of Multiclass Multidimensional Data
• Title（参考訳）: ClassSPLOM -- 多次元データの分離を可視化する散乱体マトリックス
• Authors: Michael Aupetit and Ahmed Ali
• Abstract要約: 多次元データのマルチクラス分類において、ユーザは、目に見えないデータのラベルを予測するために、クラスのモデルを構築したい。 モデルは、データに基づいてトレーニングされ、その品質を評価するために、既知のラベルで見えないデータでテストされる。 結果は混乱行列として可視化され,データラベルが正しく予測されたか,他のクラスと混同されたかを示す。
• 参考スコア（独自算出の注目度）: 8.89134799076718
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In multiclass classification of multidimensional data, the user wants to build a model of the classes to predict the label of unseen data. The model is trained on the data and tested on unseen data with known labels to evaluate its quality. The results are visualized as a confusion matrix which shows how many data labels have been predicted correctly or confused with other classes. The multidimensional nature of the data prevents the direct visualization of the classes so we design ClassSPLOM to give more perceptual insights about the classification results. It uses the Scatterplot Matrix (SPLOM) metaphor to visualize a Linear Discriminant Analysis projection of the data for each pair of classes and a set of Receiving Operating Curves to evaluate their trustworthiness. We illustrate ClassSPLOM on a use case in Arabic dialects identification.
• Abstract（参考訳）: 多次元データのマルチクラス分類において、ユーザは、目に見えないデータのラベルを予測するために、クラスのモデルを構築したい。 モデルはデータに基づいてトレーニングされ、その品質を評価するために既知のラベルを持つ未発見のデータでテストされる。 結果は混乱行列として可視化され,データラベルが正しく予測されたか,他のクラスと混同されたかを示す。 データの多次元的な性質はクラスの直接可視化を妨げるため、分類結果に対するより知覚的な洞察を与えるためにクラススプロムを設計する。 Scatterplot Matrix (SPLOM) というメタファーを使用して、各クラスのデータの線形識別分析プロジェクションと、その信頼性を評価するための受信操作曲線のセットを視覚化する。 アラビア方言識別のユースケースとして,クラスSPLOMを解説する。

関連論文リスト

• Classification of Buried Objects from Ground Penetrating Radar Images by using Second Order Deep Learning Models [3.332733725674752]
  埋蔵物を分類するために,共分散行列に基づく新しい分類モデルを構築した。 提案手法はGPRデータ用に設計された浅層ネットワークよりも優れていることを示す。 また、異なる気象モードや考慮事項から、トレーニングデータとテストセットが得られた場合のモデルの関心についても説明する。
  論文  参考訳（メタデータ） (2024-09-20T08:42:30Z)
• Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
  モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。 本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T06:00:27Z)
• Label Learning Method Based on Tensor Projection [82.51786483693206]
  テンソルプロジェクション(LLMTP)に基づくラベル学習手法を提案する。 行列射影変換をテンソル射影に拡張し、ビュー間の空間構造情報を活用できるようにする。 さらに、テンソルのSchatten $p$-norm正規化を導入し、異なるビューのクラスタリングラベル行列を可能な限り一貫性を持たせる。
  論文  参考訳（メタデータ） (2024-02-26T13:03:26Z)
• 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)
• GuidedMix-Net: Semi-supervised Semantic Segmentation by Using Labeled Images as Reference [90.5402652758316]
  半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。 ラベル付き情報を使用して、ラベルなしのインスタンスの学習をガイドする。 競合セグメンテーションの精度を達成し、mIoUを以前のアプローチに比べて+7$%大きく改善する。
  論文  参考訳（メタデータ） (2021-12-28T06:48:03Z)
• Multi-label Classification with Partial Annotations using Class-aware Selective Loss [14.3159150577502]
  大規模なマルチラベル分類データセットは、一般的に部分的に注釈付けされている。 部分的なラベリング問題を解析し、2つの重要なアイデアに基づいた解を提案する。 われわれの新しいアプローチにより、OpenImagesデータセット上で最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-21T08:10:55Z)
• GuidedMix-Net: Learning to Improve Pseudo Masks Using Labeled Images as Reference [153.354332374204]
  半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。 まず、ラベル付きデータとラベルなしデータの間に特徴アライメントの目的を導入し、類似した画像対をキャプチャする。 MITransは、ラベルなしデータのさらなるプログレッシブな精細化のための強力な知識モジュールであることが示されている。 ラベル付きデータに対する教師付き学習とともに、ラベル付きデータの予測が生成した擬似マスクとともに学習される。
  論文  参考訳（メタデータ） (2021-06-29T02:48:45Z)
• Interpretation of multi-label classification models using shapley values [0.5482532589225552]
  本研究は,shap法を用いて,マルチラベル分類タスクの説明をさらに拡張する。 この実験は、よく知られたマルチラベルデータセット上の異なるアルゴリズムの包括的な比較を示す。
  論文  参考訳（メタデータ） (2021-04-21T12:51:12Z)
• Class maps for visualizing classification results [0.0]
  分類法は、まず与えられたクラス(ラベル)でオブジェクトのトレーニングセットを処理する。 トレーニングデータやテストデータ上で得られた予測方法を実行すると、オブジェクトが与えられたラベルとは異なるクラスに横になっていると予測されることがある。 提案されたクラスマップは、オブジェクトが代替クラスに属する確率、それが与えられたクラスの他のオブジェクトからどれくらい離れているか、そしてあるオブジェクトがすべてのクラスから遠く離れているかどうかを反映している。
  論文  参考訳（メタデータ） (2020-07-28T21:27:15Z)
• Multi-Label Text Classification using Attention-based Graph Neural Network [0.0]
  ラベル間の注意的依存構造を捉えるために,グラフアテンションネットワークに基づくモデルを提案する。 提案モデルでは, 従来の最先端モデルと比較して, 類似あるいは良好な性能が得られた。
  論文  参考訳（メタデータ） (2020-03-22T17:12:43Z)
• Automatically Discovering and Learning New Visual Categories with Ranking Statistics [145.89790963544314]
  我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。 汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。 我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
  論文  参考訳（メタデータ） (2020-02-13T18:53:32Z)

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。