論文の概要: Emblaze: Illuminating Machine Learning Representations through
Interactive Comparison of Embedding Spaces
- arxiv url: http://arxiv.org/abs/2202.02641v1
- Date: Sat, 5 Feb 2022 21:01:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-10 11:36:40.137455
- Title: Emblaze: Illuminating Machine Learning Representations through
Interactive Comparison of Embedding Spaces
- Title(参考訳): Emblaze: 埋め込み空間の相互比較による機械学習表現のイルミネーション
- Authors: Venkatesh Sivaraman, Yiwei Wu, Adam Perer
- Abstract要約: Emblazeは、組み込み空間比較を計算ノート環境に統合するシステムである。
アニメーションでインタラクティブな散乱プロットと、新しいスタートレイル拡張を使って視覚的比較を可能にしている。
また、空間間の興味深い変化を伴う点群を動的に提案するために、新しい近傍解析とクラスタリング手順も採用している。
- 参考スコア(独自算出の注目度): 9.849191565291855
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern machine learning techniques commonly rely on complex, high-dimensional
embedding representations to capture underlying structure in the data and
improve performance. In order to characterize model flaws and choose a
desirable representation, model builders often need to compare across multiple
embedding spaces, a challenging analytical task supported by few existing
tools. We first interviewed nine embedding experts in a variety of fields to
characterize the diverse challenges they face and techniques they use when
analyzing embedding spaces. Informed by these perspectives, we developed a
novel system called Emblaze that integrates embedding space comparison within a
computational notebook environment. Emblaze uses an animated, interactive
scatter plot with a novel Star Trail augmentation to enable visual comparison.
It also employs novel neighborhood analysis and clustering procedures to
dynamically suggest groups of points with interesting changes between spaces.
Through a series of case studies with ML experts, we demonstrate how
interactive comparison with Emblaze can help gain new insights into embedding
space structure.
- Abstract(参考訳): 現代の機械学習技術は一般的に、データの基盤構造を捉え性能を向上させるために複雑な高次元の埋め込み表現に依存している。
モデル欠陥を特徴付け、望ましい表現を選択するためには、モデルビルダーは複数の埋め込みスペースをまたいで比較する必要がある。
最初に、さまざまな分野の9人の組込み専門家にインタビューを行い、組込み空間の分析に使用するさまざまな課題とテクニックについて話を聞いた。
これらの観点から,計算ノート環境に埋め込み空間比較を統合するEmblazeという新しいシステムを開発した。
Emblazeは、アニメーションでインタラクティブな散乱プロットと、新しいスタートレイル拡張を使って視覚的比較を可能にする。
また、空間間の興味深い変化を伴う点群を動的に提案するために、新しい近傍解析とクラスタリング手順も採用している。
MLの専門家による一連のケーススタディを通じて、Emblazeとのインタラクティブな比較が、埋め込み空間構造に対する新たな洞察を得る上で、いかに役立つかを実証する。
関連論文リスト
- Leveraging Open-Vocabulary Diffusion to Camouflaged Instance
Segmentation [59.78520153338878]
テキスト・ツー・イメージ拡散技術は、テキスト記述から高品質な画像を生成する素晴らしい能力を示している。
そこで本研究では,オープン語彙を応用した最先端拡散モデルを用いて,多スケールのテキスト・視覚的特徴を学習する手法を提案する。
論文 参考訳(メタデータ) (2023-12-29T07:59:07Z) - Open-Vocabulary Camouflaged Object Segmentation [71.82644727907146]
OVCOS(Open-vocabulary camouflaged Object segmentation)を導入し,大規模複合シーンデータセット(textbfOVCamo)を構築した。
パラメータ固定CLIPに付加された強力な単一段開語彙下線下線下線下線下線下線下線下線下線を構築。
クラス意味知識の指導とエッジと奥行きからの視覚構造的手がかりの補足を統合する
論文 参考訳(メタデータ) (2023-11-19T06:00:39Z) - Grounded Text-to-Image Synthesis with Attention Refocusing [16.9170825951175]
拡散モデルのクロスアテンション層と自己アテンション層の潜在的な原因を明らかにする。
そこで本研究では,サンプリング中の空間配置に応じて注目マップを再焦点化するための2つの新たな損失を提案する。
提案手法は,既存手法の制御性を効果的に向上することを示す。
論文 参考訳(メタデータ) (2023-06-08T17:59:59Z) - Spatial Reasoning for Few-Shot Object Detection [21.3564383157159]
本稿では,空間的推論フレームワークを提案する。
グラフ畳み込みネットワークをRoIとその関連性はそれぞれノードとエッジとして定義する。
提案手法は最先端の手法を著しく上回り, 広範囲なアブレーション研究により有効性を検証する。
論文 参考訳(メタデータ) (2022-11-02T12:38:08Z) - Subspace-Contrastive Multi-View Clustering [0.0]
本稿では,SCMC(Subspace-Contrastive Multi-View Clustering)アプローチを提案する。
ビュー固有のオートエンコーダを用いて、元のマルチビューデータを非線形構造を知覚するコンパクトな特徴にマッピングする。
提案モデルの有効性を実証するために,8つの課題データセットに対して比較実験を多数実施する。
論文 参考訳(メタデータ) (2022-10-13T07:19:37Z) - Multi-view hierarchical Variational AutoEncoders with Factor Analysis
latent space [67.60224656603823]
本稿では,複数変分オートエンコーダと因子解析潜時空間を組み合わせた新しい手法を提案する。
プライベート情報と共有情報の間に、解釈可能な階層的依存関係を作成します。
この方法で、新しいモデルは同時に得ることができる: (i) 複数の異種ビューから学習し、 (ii)解釈可能な階層的共有空間を取得し、 (iii)生成モデル間で伝達学習を行う。
論文 参考訳(メタデータ) (2022-07-19T10:46:02Z) - Guiding Attention using Partial-Order Relationships for Image Captioning [2.620091916172863]
誘導注意ネットワーク機構は、視覚シーンとテキスト記述の関係を利用する。
この埋め込み空間は、共有セマンティック空間における類似の画像、トピック、キャプションを許容する。
MSCOCOデータセットに基づく実験結果は,我々のアプローチの競争力を示している。
論文 参考訳(メタデータ) (2022-04-15T14:22:09Z) - Representing Videos as Discriminative Sub-graphs for Action Recognition [165.54738402505194]
ビデオ中の各アクションの識別パターンを表現およびエンコードするためのサブグラフの新たな設計を提案する。
時空グラフとクラスタを各スケールでコンパクトなサブグラフに新たに構築するMUlti-scale Sub-Earn Ling (MUSLE) フレームワークを提案する。
論文 参考訳(メタデータ) (2022-01-11T16:15:25Z) - Revisit Visual Representation in Analytics Taxonomy: A Compression
Perspective [69.99087941471882]
圧縮された視覚表現を用いて複数のマシンビジョン分析タスクをサポートする問題について検討する。
異なるタスク間の本質的な転送性を利用することで、低ビットレートでコンパクトで表現力のある表現を構築できる。
表現にコンパクトさを課すために,コードブックベースのハイパープライヤを提案する。
論文 参考訳(メタデータ) (2021-06-16T01:44:32Z) - Interactive slice visualization for exploring machine learning models [0.0]
予測空間のスライスをインタラクティブに可視化し,解釈可能性の低下に対処する。
具体的には,機械学習アルゴリズムのブラックボックスを開放し,モデルの適合性を疑問視し,説明し,検証し,比較する。
論文 参考訳(メタデータ) (2021-01-18T10:47:53Z) - Synbols: Probing Learning Algorithms with Synthetic Datasets [112.45883250213272]
Synbolsは、低解像度画像にレンダリングされた潜在機能のリッチな構成で、新しいデータセットを高速に生成するツールである。
ツールの高レベルインターフェースは、潜在機能で新しいディストリビューションを高速に生成するための言語を提供する。
Synbolsの汎用性を示すために,各種学習環境における標準学習アルゴリズムの限界と欠陥を識別するために,本手法を用いる。
論文 参考訳(メタデータ) (2020-09-14T13:03:27Z)
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。