Fugu-MT 論文翻訳(概要): Machine Learning for Visualization Recommendation Systems: Open Challenges and Future Directions

論文の概要: Machine Learning for Visualization Recommendation Systems: Open Challenges and Future Directions

arxiv url: http://arxiv.org/abs/2302.00569v1
Date: Wed, 1 Feb 2023 16:44:39 GMT
ステータス: 処理完了
システム内更新日: 2023-02-02 17:08:11.529071
Title: Machine Learning for Visualization Recommendation Systems: Open Challenges and Future Directions
Title（参考訳）: 可視化レコメンデーションシステムのための機械学習:オープンチャレンジと今後の方向性
Authors: Luca Podo, Bardh Prenkaj, Paola Velardi
Abstract要約: 我々は,VRSの現状を要約し,将来的な研究の方向性を概説することを目的としている。本稿では,VRSの現状を要約するだけでなく,将来的な研究の方向性を概説する。
参考スコア（独自算出の注目度）: 2.281744214415521
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Visualization Recommendation Systems (VRS) are a novel and challenging field of study, whose aim is to automatically generate insightful visualizations from data, to support non-expert users in the process of information discovery. Despite its enormous application potential in the era of big data, progress in this area of research is being held back by several obstacles among which are the absence of standardized datasets to train recommendation algorithms, and the difficulty in defining quantitative criteria to assess the effectiveness of the generated plots. In this paper, we aim not only to summarize the state-of-the-art of VRS, but also to outline promising future research directions.
Abstract（参考訳）: ビジュアライゼーション・レコメンデーション・システム(VRS)は、データから洞察力のある視覚化を自動的に生成し、情報発見のプロセスにおいて専門家でないユーザを支援することを目的とした、新しくて困難な研究分野である。ビッグデータ時代における膨大な応用可能性にもかかわらず、この分野の進歩は、レコメンデーションアルゴリズムを訓練するための標準化データセットの欠如、生成されたプロットの有効性を評価する定量的基準の定義の困難など、いくつかの障害によって妨げられている。本稿では,VRSの現状を要約するだけでなく,将来的な研究の方向性を概説する。

関連論文リスト

Trustworthiness in Retrieval-Augmented Generation Systems: A Survey [59.26328612791924]
Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の開発において、急速に重要なパラダイムへと成長してきた。本稿では,RAGシステムの信頼性を,事実性,堅牢性,公正性,透明性,説明責任,プライバシの6つの面で評価する統一的な枠組みを提案する。
論文参考訳（メタデータ） (2024-09-16T09:06:44Z)
Freeview Sketching: View-Aware Fine-Grained Sketch-Based Image Retrieval [85.73149096516543]
微細スケッチベース画像検索(FG-SBIR)におけるスケッチ作成時の視点選択について検討する。パイロットスタディでは、クエリスケッチがターゲットインスタンスと異なる場合、システムの苦労を強調している。これを解決するために、ビューに依存しないタスクとビュー固有のタスクの両方をシームレスに収容するビューアウェアシステムを提案する。
論文参考訳（メタデータ） (2024-07-01T21:20:44Z)
Video Anomaly Detection in 10 Years: A Survey and Outlook [10.143205531474907]
ビデオ異常検出(VAD)は、監視、医療、環境監視といった様々な領域において非常に重要である。この調査では、従来の教師付きトレーニングパラダイムを超えて、弱教師付き、自己監督型、教師なしのアプローチを包含する、ディープラーニングベースのVADを調査している。
論文参考訳（メタデータ） (2024-05-29T17:56:31Z)
Overcoming Pitfalls in Graph Contrastive Learning Evaluation: Toward Comprehensive Benchmarks [60.82579717007963]
本稿では,グラフコントラスト学習(GCL)手法の有効性,一貫性,全体的な能力をより正確に評価するために,拡張された評価フレームワークを提案する。
論文参考訳（メタデータ） (2024-02-24T01:47:56Z)
Finding Paths for Explainable MOOC Recommendation: A Learner Perspective [2.4775868218890484]
グラフ推論を用いたMOOC(Massive Open Online Courses)の推薦システムを提案する。提案手法の実践的意義を検証するため,利用者の知覚を調査した。 2つの教育データセットで実験を行うことにより,本手法の一般化可能性を示す。
論文参考訳（メタデータ） (2023-12-11T15:27:22Z)
Embedding in Recommender Systems: A Survey [67.67966158305603]
重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
論文参考訳（メタデータ） (2023-10-28T06:31:06Z)
A Survey of Graph Unlearning [12.86327535559885]
グラフアンラーニングは、トレーニングされたモデルから機密データトレースを削除し、忘れられる権利を保持する手段を提供する。本稿では,多種多様な方法論を包含したグラフアンラーニング手法の体系的レビューを行う。我々は、ソーシャルネットワークやレコメンダシステム、モノのインターネットのようなリソース制約のある環境など、さまざまな分野にわたるグラフアンラーニングの汎用性について検討する。
論文参考訳（メタデータ） (2023-08-23T20:50:52Z)
A Comparative Analysis of Bias Amplification in Graph Neural Network Approaches for Recommender Systems [0.0]
バイアス増幅問題はこれらのアルゴリズムを用いて検討する必要がある。本稿では,GNNに基づく異なるアルゴリズムのバイアスに対する振る舞いの文献レビューと分析を通じて,この問題を包括的に研究することを目的とする。
論文参考訳（メタデータ） (2023-01-18T16:29:05Z)
Semi-Supervised and Unsupervised Deep Visual Learning: A Survey [76.2650734930974]
半教師なし学習と教師なし学習は、ラベルなしの視覚データから学ぶための有望なパラダイムを提供する。本稿では, 半教師付き学習(SSL)と非教師付き学習(UL)の先進的な深層学習アルゴリズムについて, 統一的な視点による視覚的認識について概説する。
論文参考訳（メタデータ） (2022-08-24T04:26:21Z)
Graph Learning based Recommender Systems: A Review [111.43249652335555]
グラフ学習ベースのレコメンダーシステム(GLRS)は、高度なグラフ学習アプローチを使用して、ユーザーの好みと意図、および推奨項目の特性をモデル化します。本稿では,グラフに基づく表現から重要な知識を抽出し,レコメンデーションの正確性,信頼性,説明性を向上する方法について論じることにより,GLRSの体系的なレビューを行う。
論文参考訳（メタデータ） (2021-05-13T14:50:45Z)
Visual analytics of set data for knowledge discovery and member selection support [0.7734726150561089]
本研究では,知識発見とメンバー選択を支援するために,データセットのVAを作成する手法を開発した。典型的なターゲットアプリケーションは、チーム分析とメンバー選択のためのビジュアルサポートシステムである。バスケットボールチームに適用して提案手法を実証し,結果予測とラインアップ再構築タスクのベンチマークシステムと比較した。
論文参考訳（メタデータ） (2021-04-04T08:22:01Z)

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。