論文の概要: AutoCl : A Visual Interactive System for Automatic Deep Learning Classifier Recommendation Based on Models Performance

• arxiv url: http://arxiv.org/abs/2202.11928v1
• Date: Thu, 24 Feb 2022 07:02:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-25 17:27:35.158508
• Title: AutoCl : A Visual Interactive System for Automatic Deep Learning Classifier Recommendation Based on Models Performance
• Title（参考訳）: autocl : モデル性能に基づくディープラーニング分類の自動推薦のためのビジュアルインタラクティブシステム
• Authors: Fuad Ahmed (1), Rubayea Ferdows (2), Md Rafiqul Islam (3), Abu Raihan M. Kamal (1) ((1) Department of Computer Science & Engineering, Islamic University of Technology (IUT), Bangladesh, (2) Department of Computer Science & Engineering, International University of Business Agriculture and Technology (IUBAT), Bangladesh, (3) Department of Genetics, Genomics, and Informatics, The University of Tennessee Health Science Center (UTHSC), United States)
• Abstract要約: 我々は,非専門家が適切なディープラーニング(DL)分類器を採用するのを支援することを目的とした,視覚的インタラクティブなレコメンデーションシステムであるAutoClを紹介する。 我々はAutoClの特徴を最近のAutoMLシステムと比較し、非専門家がDL分類器を選択するのに役立つことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Nowadays, deep learning (DL) models being increasingly applied to various fields, people without technical expertise and domain knowledge struggle to find an appropriate model for their task. In this paper, we introduce AutoCl a visual interactive recommender system aimed at helping non-experts to adopt an appropriate DL classifier. Our system enables users to compare the performance and behavior of multiple classifiers trained with various hyperparameter setups as well as automatically recommends a best classifier with appropriate hyperparameter. We compare features of AutoCl against several recent AutoML systems and show that it helps non-experts better in choosing DL classifier. Finally, we demonstrate use cases for image classification using publicly available dataset to show the capability of our system.
• Abstract（参考訳）: 今日では、さまざまな分野にディープラーニング(DL)モデルがますます適用され、技術的専門知識のない人やドメイン知識のない人は、タスクに適したモデルを見つけるのに苦労しています。 本稿では,非専門家が適切なdl分類器を採用するのを支援するビジュアルインタラクティブレコメンダシステムautoclについて紹介する。 本システムでは,様々なハイパーパラメータでトレーニングされた複数の分類器の性能と動作を比較し,最適な分類器を適切なハイパーパラメータで自動的に推薦する。 我々はAutoClの特徴を最近のAutoMLシステムと比較し、非専門家がDL分類器を選択するのに役立つことを示す。 最後に,我々のシステムの性能を示すために,公開データセットを用いた画像分類のユースケースを示す。

関連論文リスト

• CLAMS: A System for Zero-Shot Model Selection for Clustering [3.7127285734321194]
  本稿では,最適なトランスポートベースデータセットの類似性を利用して,クラスタリング問題に対するモデル選択を可能にするAutoMLシステムを提案する。 その結果、クラスタリングアプリケーションを解決するための類似性に基づく自動モデル選択の有用性が実証された。
  論文  参考訳（メタデータ） (2024-07-15T23:50:07Z)
• Class-Specific Variational Auto-Encoder for Content-Based Image Retrieval [95.42181254494287]
  本稿では,変分自動エンコーダ(VAE)に対する正規化損失を提案する。 その結果、モデルは、関心のクラスに属するデータを他のあらゆる可能性から識別することを学ぶ。 実験の結果,提案手法はドメイン内およびドメイン外検索における競合よりも優れていた。
  論文  参考訳（メタデータ） (2023-04-23T19:51:25Z)
• MEESO: A Multi-objective End-to-End Self-Optimized Approach for Automatically Building Deep Learning Models [0.0]
  本稿では,ディープラーニングモデルの自動構築のためのエンドツーエンドの自己最適化手法を提案する。 我々のアルゴリズムは、最先端のアプローチと比較して、様々な競合モデルを発見することができる。
  論文  参考訳（メタデータ） (2022-11-20T09:36:13Z)
• Multi-Modal Few-Shot Object Detection with Meta-Learning-Based Cross-Modal Prompting [77.69172089359606]
  本稿では,マルチモーダルな複数ショットオブジェクト検出(FSOD)について,少数ショット視覚例とクラスセマンティック情報の両方を用いて検討する。 我々のアプローチは、(メトリックベース)メタラーニングとプロンプトベースラーニングの高レベルな概念的類似性によって動機付けられている。 提案するマルチモーダルFSODモデルを,複数の複数ショットオブジェクト検出ベンチマークで総合的に評価し,有望な結果を得た。
  論文  参考訳（メタデータ） (2022-04-16T16:45:06Z)
• Active Hybrid Classification [79.02441914023811]
  本論文では,クラスタとマシンが分類問題にどう対応できるかを示す。 本稿では,活発な学習と群集分類を編成し,それらを活発なサイクルで組み合わせるアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-01-21T21:09:07Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• Attentive Autoencoders for Multifaceted Preference Learning in One-class Collaborative Filtering [23.056754242935824]
  Attentive Multi-modal AutoRecはマルチモーダル潜在表現でユーザの好みを追跡する。 AMAはOC-CF設定下での最先端モデルと競合することを示す。
  論文  参考訳（メタデータ） (2020-10-24T06:35:44Z)
• Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
  教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-23T13:16:34Z)
• Metrics for Multi-Class Classification: an Overview [0.9176056742068814]
  2つ以上のクラスを含む分類タスクを「マルチクラス分類」と呼ぶ パフォーマンス指標は、異なる分類モデルや機械学習技術を評価し比較する目的において非常に有用である。
  論文  参考訳（メタデータ） (2020-08-13T08:41:44Z)
• Boxer: Interactive Comparison of Classifier Results [9.957660146705745]
  Boxerは、機械学習の比較を可能にするシステムである。 これによってユーザは、トレーニングとテストのインスタンスの興味深いサブセットを特定し、これらのサブセットの分類器のパフォーマンスを比較することができる。 モデル選択,チューニング,公平性評価,データ品質診断などのユースケースで,Boxerを実演する。
  論文  参考訳（メタデータ） (2020-04-16T21:05:34Z)
• MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive Model Selection [110.87712780017819]
  推薦システムにおけるユーザレベルの適応モデル選択を容易にするメタラーニングフレームワークを提案する。 2つのパブリックデータセットと実世界のプロダクションデータセットで実験を行います。
  論文  参考訳（メタデータ） (2020-01-22T16:05:01Z)

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。