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
- 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) - EASRec: Elastic Architecture Search for Efficient Long-term Sequential
Recommender Systems [82.76483989905961]
現在のSRS(Sequential Recommender Systems)は、計算とリソースの非効率に悩まされている。
我々は、効率的な長期シーケンスレコメンダシステム(EASRec)のための弾性アーキテクチャー探索を開発する。
EASRecは、入力データバッチから履歴情報を活用するデータ認識ゲートを導入し、レコメンデーションネットワークの性能を改善する。
論文 参考訳(メタデータ) (2024-02-01T07:22:52Z) - 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) - Explainable Attention for Few-shot Learning and Beyond [8.32170125150307]
本稿では,説明可能な難易度発見,特に数発の学習シナリオに適した新しいフレームワークを提案する。
提案手法では、深層強化学習を用いて、生の入力データに直接影響するハードアテンションの概念を実装している。
論文 参考訳(メタデータ) (2023-10-11T18:33:17Z) - A Survey of Graph Unlearning [11.841882902141696]
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センシティブなデータトレースを取り除き、忘れられる権利を維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、敵対的設定、リソース制約のある環境など、さまざまな領域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) - 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) - Retrieval-Enhanced Machine Learning [110.5237983180089]
本稿では,いくつかの既存モデルを含む汎用的な検索強化機械学習フレームワークについて述べる。
REMLは情報検索の慣例に挑戦し、最適化を含む中核領域における新たな進歩の機会を提示している。
REMLリサーチアジェンダは、情報アクセス研究の新しいスタイルの基礎を築き、機械学習と人工知能の進歩への道を開く。
論文 参考訳(メタデータ) (2022-05-02T21:42:45Z) - Addressing Bias in Visualization Recommenders by Identifying Trends in
Training Data: Improving VizML Through a Statistical Analysis of the Plotly
Community Feed [55.41644538483948]
機械学習は、高いスケーラビリティと表現力のために、視覚化レコメンデーションに対する有望なアプローチである。
本研究は,統計的解析によりトレーニングデータの傾向を特定することで,機械学習可視化推薦システムにおけるトレーニングバイアスに対処することを目的とする。
論文 参考訳(メタデータ) (2022-03-09T18:36:46Z) - A Comparative Review of Recent Few-Shot Object Detection Algorithms [0.0]
ラベル付きデータで新しいクラスに適応するために学習するオブジェクトの少ない検出は、命令的で長期にわたる問題である。
近年の研究では、ターゲットドメインを監督せずに追加データセットに暗黙の手がかりを使って、少数のショット検出器が堅牢なタスク概念を洗練させる方法が研究されている。
論文 参考訳(メタデータ) (2021-10-30T07:57:11Z) - Recommender Systems Based on Generative Adversarial Networks: A
Problem-Driven Perspective [27.11589218811911]
GAN(Generative Adversarial Network)は、複雑な実データ分布を学習する能力の強いため、多くの分野への関心が高まっている。
本稿では,これらのモデルの分類と,それらの詳細な記述と利点を提案する。
論文 参考訳(メタデータ) (2020-03-05T08:05:38Z)
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。