論文の概要: Topological structure of complex predictions

• arxiv url: http://arxiv.org/abs/2207.14358v1
• Date: Thu, 28 Jul 2022 19:28:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-01 13:31:36.474224
• Title: Topological structure of complex predictions
• Title（参考訳）: 複素予測の位相構造
• Authors: Meng Liu, Tamal K. Dey, David F. Gleich
• Abstract要約: ディープラーニングのような複雑な予測モデルは、機械学習、ニューラルネットワーク、AIモデルから一連のトレーニングデータに適合する出力である。 我々は、トポロジカル・データ分析を用いて、これらの複雑な予測モデルをトポロジカル・ビューを表す画像に変換する。 本手法は、異なる領域にわたる大規模なデータセットにスケールアップし、トレーニングデータのラベル付けエラーを検出し、画像分類の一般化を理解し、BRCA1遺伝子の病原性変異の予測を検査する。
• 参考スコア（独自算出の注目度）: 15.207535648404765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complex prediction models such as deep learning are the output from fitting machine learning, neural networks, or AI models to a set of training data. These are now standard tools in science. A key challenge with the current generation of models is that they are highly parameterized, which makes describing and interpreting the prediction strategies difficult. We use topological data analysis to transform these complex prediction models into pictures representing a topological view. The result is a map of the predictions that enables inspection. The methods scale up to large datasets across different domains and enable us to detect labeling errors in training data, understand generalization in image classification, and inspect predictions of likely pathogenic mutations in the BRCA1 gene.
• Abstract（参考訳）: ディープラーニングのような複雑な予測モデルは、機械学習、ニューラルネットワーク、あるいはaiモデルを一連のトレーニングデータに適合させた結果である。 これらは現在では科学における標準的な道具である。 現在の世代のモデルにおける重要な課題は、高度にパラメータ化されており、予測戦略の説明と解釈が難しいことである。 我々は、トポロジカルデータ分析を用いて、これらの複雑な予測モデルをトポロジカルビューを表す絵に変換する。 結果は、検査を可能にする予測のマップである。 この手法は、異なるドメインにまたがる大きなデータセットまでスケールアップし、トレーニングデータのラベルエラーの検出、画像分類の一般化の理解、brca1遺伝子の病原性変異の予測の検査を可能にする。

関連論文リスト

• Analyzing Deep Transformer Models for Time Series Forecasting via Manifold Learning [4.910937238451485]
  トランスフォーマーモデルは、自然言語処理やコンピュータビジョンといった様々な領域において、一貫して顕著な成果を上げてきた。 これらのモデルをよりよく理解するための継続的な研究努力にもかかわらず、この分野はいまだに包括的な理解を欠いている。 画像やテキスト情報とは異なり、時系列データは解釈し分析することがより困難である。
  論文  参考訳（メタデータ） (2024-10-17T17:32:35Z)
• Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
  本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。 限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• Graph Representation Learning Strategies for Omics Data: A Case Study on Parkinson's Disease [13.630617713928197]
  グラフニューラルネットワークは、古典的な統計学と機械学習の方法に代わる有望な代替手段として登場した。 本研究では,ケースコントロール分類のためのグラフ表現学習モデルについて検討する。 タンパク質-タンパク質相互作用やメタボライト-メタボライト相互作用を含む,サンプル類似性ネットワークと分子相互作用ネットワークから得られたトポロジーを比較した。
  論文  参考訳（メタデータ） (2024-06-20T16:06:39Z)
• RandomSCM: interpretable ensembles of sparse classifiers tailored for omics data [59.4141628321618]
  決定規則の結合や解離に基づくアンサンブル学習アルゴリズムを提案する。 モデルの解釈可能性により、高次元データのバイオマーカー発見やパターン発見に有用である。
  論文  参考訳（メタデータ） (2022-08-11T13:55:04Z)
• Generalizability Analysis of Graph-based Trajectory Predictor with Vectorized Representation [29.623692599892365]
  軌道予測は自動運転車にとって不可欠な課題の1つである。 機械学習の最近の進歩は、一連の高度な軌道予測アルゴリズムを生み出した。
  論文  参考訳（メタデータ） (2022-08-06T20:19:52Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Learning Curves for SGD on Structured Features [23.40229188549055]
  本研究では,学習中におけるテストエラーを正確に予測するために,特徴空間内のデータの幾何学が重要であることを示す。 提案手法は,学習中のテストエラーを正確に予測するためには,特徴空間内のデータの幾何をモデル化することが極めて重要であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T20:48:20Z)
• Deducing neighborhoods of classes from a fitted model [68.8204255655161]
  本稿では,新しいタイプの解釈可能な機械学習手法を提案する。 量子シフトを用いた分類モデルでは、特徴空間の予測クラスへの分割を理解するのに役立ちます。 基本的に、実際のデータポイント(または特定の関心点)を使用し、特定の特徴をわずかに引き上げたり減少させたりした後の予測の変化を観察する。
  論文  参考訳（メタデータ） (2020-09-11T16:35:53Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。