論文の概要: Visual Knowledge Discovery with General Line Coordinates

• arxiv url: http://arxiv.org/abs/2305.18429v1
• Date: Sun, 28 May 2023 22:43:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 21:13:53.900621
• Title: Visual Knowledge Discovery with General Line Coordinates
• Title（参考訳）: 一般線座標を用いた視覚知識発見
• Authors: Lincoln Huber, Boris Kovalerchuk, Charles Recaido
• Abstract要約: 本稿では, 視覚的知識発見手法として, 損失のない一般ラインコーディネート(General Line Coordinates, 一般ラインコーディネート)を提案する。 これらは以前に導入されたゼネラル・ライン・コーディネートとダイナミック・スキャッフィング・コーディネートの拡張である。 これらの非線形モデルとルールの正確性を保証するため、ラインコーディネート・リニアは最悪の検証分割を見つけるためのインタラクティブな視覚知識発見アルゴリズムも開発した。
• 参考スコア（独自算出の注目度）: 5.929956715430167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding black-box Machine Learning methods on multidimensional data is a key challenge in Machine Learning. While many powerful Machine Learning methods already exist, these methods are often unexplainable or perform poorly on complex data. This paper proposes visual knowledge discovery approaches based on several forms of lossless General Line Coordinates. These are an expansion of the previously introduced General Line Coordinates Linear and Dynamic Scaffolding Coordinates to produce, explain, and visualize non-linear classifiers with explanation rules. To ensure these non-linear models and rules are accurate, General Line Coordinates Linear also developed new interactive visual knowledge discovery algorithms for finding worst-case validation splits. These expansions are General Line Coordinates non-linear, interactive rules linear, hyperblock rules linear, and worst-case linear. Experiments across multiple benchmark datasets show that this visual knowledge discovery method can compete with other visual and computational Machine Learning algorithms while improving both interpretability and accuracy in linear and non-linear classifications. Major benefits from these expansions consist of the ability to build accurate and highly interpretable models and rules from hyperblocks, the ability to analyze interpretability weaknesses in a model, and the input of expert knowledge through interactive and human-guided visual knowledge discovery methods.
• Abstract（参考訳）: 多次元データによるブラックボックス機械学習手法の理解は、機械学習の重要な課題である。 多くの強力な機械学習手法がすでに存在するが、これらの手法はしばしば説明がつかないか、複雑なデータでは性能が悪い。 本稿では,ロスレス一般線座標を用いた視覚知識発見手法を提案する。 これらは、説明規則で非線形分類器を生成、説明、視覚化するために、以前に導入された一般直線座標と動的足場座標の拡張である。 これらの非線形モデルとルールの正確性を保証するため、ラインコーディネート・リニアは最悪の検証分割を見つけるためのインタラクティブな視覚知識発見アルゴリズムも開発した。 これらの拡張は、非線形、インタラクティブな規則、ハイパーブロックルール、最悪のケースリニアである。 複数のベンチマークデータセットにまたがる実験により、この視覚知識探索法は他の視覚的および計算的機械学習アルゴリズムと競合し、線形および非線形分類における解釈可能性と精度の両方を改善した。 これらの拡張の主な利点は、ハイパーブロックから正確で高度に解釈可能なモデルやルールを構築する能力、モデルの解釈可能性の弱さを分析する能力、対話的で人間主導の視覚知識発見手法による専門家知識の入力などである。

関連論文リスト

• Learning Linear Attention in Polynomial Time [115.68795790532289]
  線形注意を持つ単層変圧器の学習性に関する最初の結果を提供する。 線形アテンションは RKHS で適切に定義された線形予測器とみなすことができる。 我々は,すべての経験的リスクが線形変換器と同等のトレーニングデータセットを効率的に識別する方法を示す。
  論文  参考訳（メタデータ） (2024-10-14T02:41:01Z)
• Disentangled Representation Learning with the Gromov-Monge Gap [65.73194652234848]
  乱れのないデータから歪んだ表現を学習することは、機械学習における根本的な課題である。 本稿では,2次最適輸送に基づく非交叉表現学習手法を提案する。 提案手法の有効性を4つの標準ベンチマークで示す。
  論文  参考訳（メタデータ） (2024-07-10T16:51:32Z)
• Limits and Powers of Koopman Learning [0.0]
  力学系は様々な科学にまたがって複雑で変化する振る舞いを研究する包括的方法を提供する。 クープマン作用素は、線形手法を用いた非線形力学の研究を可能にするため、支配的なアプローチとして現れてきた。 テキスト 動的システムの軌道データからクープマン作用素のスペクトル特性を頑健に学習することは可能か?
  論文  参考訳（メタデータ） (2024-07-08T18:24:48Z)
• Tensor Decompositions Meet Control Theory: Learning General Mixtures of Linear Dynamical Systems [19.47235707806519]
  テンソル分解に基づく線形力学系の混合を学習するための新しいアプローチを提案する。 このアルゴリズムは, 成分の分離条件が強くないまま成功し, 軌道のベイズ最適クラスタリングと競合することができる。
  論文  参考訳（メタデータ） (2023-07-13T03:00:01Z)
• Towards a mathematical understanding of learning from few examples with nonlinear feature maps [68.8204255655161]
  トレーニングセットがわずか数個のデータポイントから構成されるデータ分類の問題を考える。 我々は、AIモデルの特徴空間の幾何学、基礎となるデータ分布の構造、モデルの一般化能力との間の重要な関係を明らかにする。
  論文  参考訳（メタデータ） (2022-11-07T14:52:58Z)
• NOMAD: Nonlinear Manifold Decoders for Operator Learning [17.812064311297117]
  関数空間における教師付き学習は、機械学習研究の新たな領域である。 関数空間における非線形部分多様体の有限次元表現を学習できる非線形デコーダマップを備えた新しい演算子学習フレームワークであるNOMADについて述べる。
  論文  参考訳（メタデータ） (2022-06-07T19:52:44Z)
• Simplifying Hamiltonian and Lagrangian Neural Networks via Explicit Constraints [49.66841118264278]
  私たちは、現在のアプローチの限界を押し上げるために、一連の挑戦的なカオスと拡張ボディシステムを導入します。 実験の結果,明示的な制約を持つモンテカルロ座標は,精度とデータ効率を100倍に向上させることがわかった。
  論文  参考訳（メタデータ） (2020-10-26T13:35:16Z)
• Extracting Latent State Representations with Linear Dynamics from Rich Observations [10.382642122818648]
  本研究では,力学が線形である隠れ線形部分空間が存在するモデルについて検討する。 線形力学を用いて線形部分空間を抽出する効率的なアルゴリズムを提案する。 本手法の有効性を,リッチな観測による簡単な設定で実証的に検証した。
  論文  参考訳（メタデータ） (2020-06-29T15:47:01Z)
• Provable Meta-Learning of Linear Representations [114.656572506859]
  我々は、複数の関連するタスクから共通の機能の集合を学習し、その知識を新しい未知のタスクに転送する、という2つの課題に対処する、高速でサンプル効率のアルゴリズムを提供する。 また、これらの線形特徴を学習する際のサンプルの複雑さに関する情報理論の下限も提供する。
  論文  参考訳（メタデータ） (2020-02-26T18:21:34Z)
• Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
  画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。 そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。 画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
  論文  参考訳（メタデータ） (2020-02-18T17:58:07Z)

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。