Fugu-MT 論文翻訳(概要): SpaceEditing: Integrating Human Knowledge into Deep Neural Networks via Interactive Latent Space Editing

論文の概要: SpaceEditing: Integrating Human Knowledge into Deep Neural Networks via Interactive Latent Space Editing

arxiv url: http://arxiv.org/abs/2212.04065v1
Date: Thu, 8 Dec 2022 04:22:22 GMT
ステータス: 処理完了
システム内更新日: 2022-12-09 16:26:09.501485
Title: SpaceEditing: Integrating Human Knowledge into Deep Neural Networks via Interactive Latent Space Editing
Title（参考訳）: SpaceEditing: インタラクティブな潜時空間編集による深層ニューラルネットワークへの人間の知識の統合
Authors: Jiafu Wei, Ding Xia, Haoran Xie, Chia-Ming Chang, Chuntao Li, Xi Yang
Abstract要約: 本研究では,人間による深層ニューラルネットワーク(DNN)の学習を支援するインタラクティブな編集手法を提案する。次元削減手法を用いて高次元データの特徴を可視化し、可視化されたデータを表示するインタラクティブなシステムテキストスペース編集を設計する。
参考スコア（独自算出の注目度）: 11.085342181952077
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose an interactive editing method that allows humans to help deep neural networks (DNNs) learn a latent space more consistent with human knowledge, thereby improving classification accuracy on indistinguishable ambiguous data. Firstly, we visualize high-dimensional data features through dimensionality reduction methods and design an interactive system \textit{SpaceEditing} to display the visualized data. \textit{SpaceEditing} provides a 2D workspace based on the idea of spatial layout. In this workspace, the user can move the projection data in it according to the system guidance. Then, \textit{SpaceEditing} will find the corresponding high-dimensional features according to the projection data moved by the user, and feed the high-dimensional features back to the network for retraining, therefore achieving the purpose of interactively modifying the high-dimensional latent space for the user. Secondly, to more rationally incorporate human knowledge into the training process of neural networks, we design a new loss function that enables the network to learn user-modified information. Finally, We demonstrate how \textit{SpaceEditing} meets user needs through three case studies while evaluating our proposed new method, and the results confirm the effectiveness of our method.
Abstract（参考訳）: 本稿では,深層ニューラルネットワーク(dnn)が人間の知識と一貫性のある潜在空間を学習し,識別不能なデータの分類精度を向上させるための対話型編集手法を提案する。まず,次元性低減手法を用いて高次元データ特徴を可視化し,インタラクティブシステム \textit{spaceediting} を設計し,可視化データを表示する。 \textit{spaceediting} は空間レイアウトの概念に基づいた2次元ワークスペースを提供する。このワークスペースでは、ユーザはシステムガイダンスに従ってプロジェクションデータを移動させることができる。次に、ユーザが移動したプロジェクションデータに基づいて対応する高次元特徴を見つけ出し、その高次元特徴をネットワークにフィードバックして再トレーニングし、ユーザのための高次元潜在空間をインタラクティブに修正する目的を達成する。次に,ニューラルネットワークの学習プロセスに人間の知識をより合理的に組み込むために,ネットワークがユーザ修飾情報を学ぶことができる新たな損失関数を設計する。最後に, 提案手法の有効性を検証しながら, 3つのケーススタディを通じて, ユーザニーズに適合する「textit{SpaceEditing}」を実証し, 提案手法の有効性を確認した。

関連論文リスト

Self Supervised Networks for Learning Latent Space Representations of Human Body Scans and Motions [6.165163123577484]
本稿では,3次元人体解析・処理の分野におけるいくつかの基本的な問題に対処するために,自己教師型ニューラルネットワークモデルを提案する。身体形状とポーズの潜在空間表現を検索するための新しいアーキテクチャであるVariShaPEを提案する。第二に、潜時空間の幾何学を学習するフレームワークであるMoGeNで潜時符号の推定を補完する。
論文参考訳（メタデータ） (2024-11-05T19:59:40Z)
Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
論文参考訳（メタデータ） (2024-06-17T07:43:53Z)
ALSTER: A Local Spatio-Temporal Expert for Online 3D Semantic Reconstruction [62.599588577671796]
本稿では,RGB-Dフレームのストリームから3次元セマンティックマップを段階的に再構成するオンライン3次元セマンティックセマンティックセマンティクス手法を提案する。オフラインの手法とは異なり、ロボット工学や混合現実のようなリアルタイムな制約のあるシナリオに直接適用できます。
論文参考訳（メタデータ） (2023-11-29T20:30:18Z)
ScanERU: Interactive 3D Visual Grounding based on Embodied Reference Understanding [67.21613160846299]
Embodied Reference Understanding (ERU) はこの懸念に対して最初に設計されている。 ScanERUと呼ばれる新しいデータセットは、このアイデアの有効性を評価するために構築されている。
論文参考訳（メタデータ） (2023-03-23T11:36:14Z)
Disentangling Variational Autoencoders [0.0]
変分オートエンコーダ(VAE)は、高次元データの入力セットを低次元の潜在空間に投影する。文献から3つの異なるVAEモデルを実装し、6万枚の手書き数字のデータセットでそれらをトレーニングする。本稿では,復号化画像の品質と遅延空間の歪みレベルとのトレードオフについて検討する。
論文参考訳（メタデータ） (2022-11-14T19:22:41Z)
DeepSSN: a deep convolutional neural network to assess spatial scene similarity [11.608756441376544]
本稿では,深部空間シーンネットワーク(Deep Space Scene Network,DeepSSN)を提案する。提案したDeepSSNを用いて,スケッチマップを用いた空間問合せをユーザが入力する空間シーン探索システムを開発した。提案手法は,データ拡張後の131,300個のラベル付きシーンサンプルを含むマルチソース・コンバウンド・マップデータを用いて検証する。
論文参考訳（メタデータ） (2022-02-07T23:53:20Z)
UnProjection: Leveraging Inverse-Projections for Visual Analytics of High-Dimensional Data [63.74032987144699]
提案するNNInvは,プロジェクションやマッピングの逆を近似する深層学習技術である。 NNInvは、2次元投影空間上の任意の点から高次元データを再構成することを学び、ユーザーは視覚分析システムで学習した高次元表現と対話することができる。
論文参考訳（メタデータ） (2021-11-02T17:11:57Z)
Deep Direct Volume Rendering: Learning Visual Feature Mappings From Exemplary Images [57.253447453301796]
本稿では,ディープ・ダイレクト・ボリューム・レンダリング(Deep Direct Volume Rendering,DVR)を導入し,ディープ・ニューラル・ネットワークをDVRアルゴリズムに統合する。潜在色空間におけるレンダリングを概念化し、深層アーキテクチャを用いて特徴抽出と分類のための暗黙マッピングを学習できるようにする。我々の一般化は、画像空間の例から直接エンドツーエンドにトレーニングできる新しいボリュームレンダリングアーキテクチャを導き出すのに役立つ。
論文参考訳（メタデータ） (2021-06-09T23:03:00Z)
Auxiliary-task learning for geographic data with autoregressive embeddings [1.4823143667165382]
本研究では,空間データの自己回帰性に関する情報を学習プロセスに直接埋め込む手法であるSXLを提案する。局所空間自己相関の一般的な尺度である局所モランIを用いて、局所空間効果の方向と大きさを学習する。我々は,教師なしおよび教師なしの学習タスクにおいて,ニューラルネットワークのトレーニングを継続的に改善する方法について強調する。
論文参考訳（メタデータ） (2020-06-18T12:16:08Z)
Multi-Subspace Neural Network for Image Recognition [33.61205842747625]
画像分類タスクでは, 特徴抽出は常に大きな問題であり, クラス内変動により抽出器の設計が困難になる。近年、ディープラーニングはデータから機能を自動的に学習することに多くの注意を払っている。本研究では,畳み込みニューラルネットワーク(CNN)のキーコンポーネントをサブスペースの概念と組み合わせたマルチサブスペースニューラルネットワーク(MSNN)を提案する。
論文参考訳（メタデータ） (2020-06-17T02:55:34Z)
Parameter-Efficient Person Re-identification in the 3D Space [51.092669618679615]
我々は3次元空間に2D画像を投影し、新しいパラメータ効率のOmniスケールグラフネットワーク(OG-Net)を導入し、3次元点雲から直接歩行者表現を学習する。 OG-Netはスパース3Dポイントが提供するローカル情報を効果的に活用し、その構造と外観情報を一貫性のある方法で活用する。私たちは3D空間における人物の再識別を行う最初の試みの1つです。
論文参考訳（メタデータ） (2020-06-08T13:20:33Z)

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。