論文の概要: TimberTrek: Exploring and Curating Sparse Decision Trees with
Interactive Visualization
- arxiv url: http://arxiv.org/abs/2209.09227v1
- Date: Mon, 19 Sep 2022 17:52:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 17:17:23.037464
- Title: TimberTrek: Exploring and Curating Sparse Decision Trees with
Interactive Visualization
- Title(参考訳): TimberTrek: インタラクティブな可視化によるスパース決定ツリーの探索とキュレーション
- Authors: Zijie J. Wang, Chudi Zhong, Rui Xin, Takuya Takagi, Zhi Chen, Duen
Horng Chau, Cynthia Rudin, Margo Seltzer
- Abstract要約: 我々はTimberTrekを開発した。TimberTrekは,数千のスパース決定木を大規模に要約した,対話型可視化システムである。
私たちのオープンソースツールは、ユーザの計算ノートブックやWebブラウザで直接動作します。
- 参考スコア(独自算出の注目度): 28.8103090227772
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Given thousands of equally accurate machine learning (ML) models, how can
users choose among them? A recent ML technique enables domain experts and data
scientists to generate a complete Rashomon set for sparse decision trees--a
huge set of almost-optimal interpretable ML models. To help ML practitioners
identify models with desirable properties from this Rashomon set, we develop
TimberTrek, the first interactive visualization system that summarizes
thousands of sparse decision trees at scale. Two usage scenarios highlight how
TimberTrek can empower users to easily explore, compare, and curate models that
align with their domain knowledge and values. Our open-source tool runs
directly in users' computational notebooks and web browsers, lowering the
barrier to creating more responsible ML models. TimberTrek is available at the
following public demo link: https://poloclub.github.io/timbertrek.
- Abstract(参考訳): 均等に正確な機械学習(ml)モデルが何千もあるので、ユーザはどのように選べますか?
最近のML技術により、ドメインの専門家とデータサイエンティストは、スパース決定ツリーのための完全なRashomonセットを生成することができる。
ML実践者がこのRashomonセットから望ましい特性を持つモデルを特定するのを助けるために,数千のスパースな決定木を大規模に要約した最初のインタラクティブな可視化システムであるTimberTrekを開発した。
timbertrekの2つのシナリオは、ユーザがドメインの知識と価値に合致するモデルを簡単に探求し、比較し、キュレートする上で、どのように役立つかを強調する。
私たちのオープンソースツールは、ユーザの計算ノートブックやWebブラウザで直接動作するので、より責任のあるMLモデルを作成するための障壁を低くします。
timbertrekは以下の公開デモリンクで利用可能である。
関連論文リスト
- Multi-modal Auto-regressive Modeling via Visual Words [96.25078866446053]
本稿では,視覚的特徴を大規模多モードモデルの語彙上の確率分布にマッピングする視覚的単語の概念を提案する。
さらに、LMM内の意味空間における視覚的特徴の分布と、視覚情報を表現するためにテキスト埋め込みを使用することの可能性について検討する。
論文 参考訳(メタデータ) (2024-03-12T14:58:52Z) - CODIS: Benchmarking Context-Dependent Visual Comprehension for
Multimodal Large Language Models [60.27894243926344]
我々は、自由形式のテキストで提供されるコンテキストを用いて視覚的理解を高めるモデルの有効性を評価するために、CODISと名付けられた新しいベンチマークを導入する。
以上の結果から,MLLMは必ずしも人体性能に劣っていることが示唆された。
このことは、MLLMが視覚を文脈依存的に理解する能力を高めることの必要性を浮き彫りにする。
論文 参考訳(メタデータ) (2024-02-21T08:21:12Z) - KG-Agent: An Efficient Autonomous Agent Framework for Complex Reasoning
over Knowledge Graph [134.8631016845467]
我々は、KG-Agentと呼ばれる自律LLMベースのエージェントフレームワークを提案する。
KG-Agentでは、LLM、多機能ツールボックス、KGベースのエグゼキュータ、知識メモリを統合する。
有効性を保証するため、プログラム言語を利用してKG上のマルチホップ推論プロセスを定式化する。
論文 参考訳(メタデータ) (2024-02-17T02:07:49Z) - Tree-GPT: Modular Large Language Model Expert System for Forest Remote
Sensing Image Understanding and Interactive Analysis [4.993840366641032]
本稿では,大規模言語モデル(LLM)を森林リモートセンシングデータワークフローに組み込んだ新しいフレームワークであるTree-GPTを紹介する。
プロトタイプシステムは、森林研究や環境科学におけるLLMの動的利用の可能性を示した。
論文 参考訳(メタデータ) (2023-10-07T06:12:39Z) - Fair Feature Importance Scores for Interpreting Tree-Based Methods and
Surrogates [4.419843514606336]
本研究では,各特徴が樹木の公平性や偏見にどのように寄与するかを解釈するために,木に対する新たな公正特徴重要度スコアを開発する。
私たちの公正な特徴重要度スコアは、グループバイアスの平均的な減少(または増加)に基づいて定義されます。
論文 参考訳(メタデータ) (2023-10-06T16:21:21Z) - Reformulating Vision-Language Foundation Models and Datasets Towards
Universal Multimodal Assistants [65.47222691674074]
Muffinフレームワークは、事前訓練された視覚言語モデルを使用して視覚信号のプロバイダとして機能する。
UniMM-Chatデータセットはデータセットの相補性を探求し、高品質で多様なマルチモーダル命令を生成する。
論文 参考訳(メタデータ) (2023-10-01T12:35:18Z) - Many or Few Samples? Comparing Transfer, Contrastive and Meta-Learning
in Encrypted Traffic Classification [68.19713459228369]
我々は、トランスファーラーニング、メタラーニング、コントラストラーニングを、参照機械学習(ML)ツリーベースおよびモノリシックDLモデルと比較する。
i) 大規模なデータセットを用いて,より一般的な表現を得られること,(ii) コントラスト学習が最良の手法であることを示している。
MLツリーベースでは大きなタスクは処理できないが、学習した表現を再利用することで、小さなタスクにも適合するが、DLメソッドはツリーベースモデルのパフォーマンスにも到達している。
論文 参考訳(メタデータ) (2023-05-21T11:20:49Z) - DeforestVis: Behavior Analysis of Machine Learning Models with Surrogate
Decision Stumps [49.97564931094598]
複雑なMLモデルの振る舞いをユーザフレンドリに要約するビジュアル分析ツールであるDeforestVisを提案する。
DeforestVisは、より多くの切り株をインクリメンタルに生成することで、複雑さとフィデリティのトレードオフを探索するのに役立つ。
DeforestVisの適用性と有用性について,2つのユースケースと,データアナリストとモデル開発者とのエキスパートインタビューで紹介する。
論文 参考訳(メタデータ) (2023-03-31T21:17:15Z) - Unboxing Tree Ensembles for interpretability: a hierarchical
visualization tool and a multivariate optimal re-built tree [0.34530027457862006]
我々は,木組モデルの解釈可能な表現を開発し,その振る舞いに関する貴重な洞察を提供する。
提案モデルは,木組決定関数を近似した浅い解釈可能な木を得るのに有効である。
論文 参考訳(メタデータ) (2023-02-15T10:43:31Z) - Automatic Componentwise Boosting: An Interpretable AutoML System [1.1709030738577393]
本稿では,高度にスケーラブルなコンポーネントワイドブースティングアルゴリズムを用いて適用可能な,解釈可能な付加モデルを構築するAutoMLシステムを提案する。
我々のシステムは、部分的な効果やペアの相互作用を可視化するなど、簡単なモデル解釈のためのツールを提供する。
解釈可能なモデル空間に制限があるにもかかわらず、我々のシステムは、ほとんどのデータセットにおける予測性能の点で競争力がある。
論文 参考訳(メタデータ) (2021-09-12T18:34:33Z)
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。