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
- 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) - Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。
GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。
4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
論文 参考訳(メタデータ) (2022-06-25T03:54:53Z) - 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) - Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。
特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。
実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文 参考訳(メタデータ) (2022-04-21T05:27:09Z) - Generative and Contrastive Self-Supervised Learning for Graph Anomaly
Detection [14.631674952942207]
グラフ異常検出のための自己教師付き学習法(SL-GAD)を提案する。
提案手法では,対象ノードに基づいて異なるコンテキストサブグラフを構築し,生成属性回帰とマルチビューコントラスト学習という2つのモジュールを用いて異常検出を行う。
提案手法は,6つのベンチマークデータセットに対して広範な実験を行い,提案手法が最先端の手法よりも大きなマージンで優れていることを示した。
論文 参考訳(メタデータ) (2021-08-23T02:15:21Z) - 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) - Unique properties of adversarially trained linear classifiers on
Gaussian data [13.37805637358556]
対人学習研究コミュニティは 対人摂動の根本原因を理解するために 顕著な進歩を遂げています
現実のデータセットに洞察が移ることを期待して、単純な問題に対する逆向きに頑健な学習理論を開発することが一般的である。
特に線形分類器を用いて、任意のレベルの逆汚職の下でガウスデータの二項分類問題を解くことは常に可能であることを示す。
論文 参考訳(メタデータ) (2020-06-06T14:06:38Z) - 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。