Fugu-MT 論文翻訳(概要): Full High-Dimensional Intelligible Learning In 2-D Lossless Visualization Space

論文の概要: Full High-Dimensional Intelligible Learning In 2-D Lossless Visualization Space

arxiv url: http://arxiv.org/abs/2305.19132v1
Date: Mon, 29 May 2023 00:21:56 GMT
ステータス: 処理完了
システム内更新日: 2023-05-31 15:23:21.341871
Title: Full High-Dimensional Intelligible Learning In 2-D Lossless Visualization Space
Title（参考訳）: 2次元ロスレス可視化空間における全高次元知性学習
Authors: Boris Kovalerchuk, Hoang Phan
Abstract要約: 本研究では,2次元可視化空間(2次元ML)における機械学習分類タスクの新しい手法について検討する。これは、抽象的なn次元空間でn次元データを処理する必要のない、完全な機械学習アプローチであることが示されている。 2次元空間におけるn-Dパターンの発見を可能にし、n-Dデータのグラフ表現を用いてn-D情報を失うことなく2次元空間におけるn-Dパターンの発見を可能にする。
参考スコア（独自算出の注目度）: 7.005458308454871
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study explores a new methodology for machine learning classification tasks in 2-dimensional visualization space (2-D ML) using Visual knowledge Discovery in lossless General Line Coordinates. It is shown that this is a full machine learning approach that does not require processing n-dimensional data in an abstract n-dimensional space. It enables discovering n-D patterns in 2-D space without loss of n-D information using graph representations of n-D data in 2-D. Specifically, this study shows that it can be done with static and dynamic In-line Based Coordinates in different modifications, which are a category of General Line Coordinates. Based on these inline coordinates, classification and regression methods were developed. The viability of the strategy was shown by two case studies based on benchmark datasets (Wisconsin Breast Cancer and Page Block Classification datasets). The characteristics of page block classification data led to the development of an algorithm for imbalanced high-resolution data with multiple classes, which exploits the decision trees as a model design facilitator producing a model, which is more general than a decision tree. This work accelerates the ongoing consolidation of an emerging field of full 2-D machine learning and its methodology. Within this methodology the end users can discover models and justify them as self-service. Providing interpretable ML models is another benefit of this approach.
Abstract（参考訳）: 本研究では,2次元可視化空間 (2-d ml) における機械学習分類タスクのための新しい手法について検討する。これは、n次元データを抽象的n次元空間で処理する必要のない、完全な機械学習アプローチであることが示されている。 2次元空間におけるn-dデータのグラフ表現を用いて、n-d情報を失うことなく、n-d空間内のn-dパターンを発見できる。具体的には, 静的および動的インライン座標を用いて, 一般直線座標のカテゴリである異なる修正を行なえることを示す。これらのインライン座標に基づいて分類法と回帰法を開発した。この戦略の有効性は、ベンチマークデータセット(Wisconsin Breast Cancer と Page Block Classification データセット)に基づく2つのケーススタディで示された。ページブロック分類データの特徴は、複数のクラスで不均衡な高分解能データのアルゴリズムを開発し、決定木を決定木よりも一般的なモデルを生成するモデル設計ファシリテータとして活用した。この研究は、完全な2d機械学習とその方法論の新興分野の継続的な統合を加速する。この方法論では、エンドユーザーはモデルを発見し、それをセルフサービスとして正当化することができる。解釈可能なMLモデルを提供することは、このアプローチのもうひとつのメリットである。

関連論文リスト

General Line Coordinates in 3D [2.9465623430708905]
3Dビジュアライゼーションにおける解釈可能なインタラクティブな視覚パターン発見は、機械学習を前進させる有望な方法である。 GLC (3D General Line Coordinates) 可視化空間で行われ、3D内のすべてのn-D情報を保存している。
論文参考訳（メタデータ） (2024-03-17T17:42:20Z)
Dual-Perspective Knowledge Enrichment for Semi-Supervised 3D Object Detection [55.210991151015534]
本稿では, DPKE という新しい2次元知識豊か化手法を提案する。我々のDPKEは、データパースペクティブと機能パースペクティブという2つの観点から、限られたトレーニングデータ、特にラベルなしデータの知識を豊かにしています。
論文参考訳（メタデータ） (2024-01-10T08:56:07Z)
Interactive Decision Tree Creation and Enhancement with Complete Visualization for Explainable Modeling [0.0]
決定木(DT)は、多くのブラックボックスMLモデルを理解するために使用されるため、機械学習(ML)において必須である。完全な視覚的決定木による作成と拡張のための2つの新しい手法を提案する。
論文参考訳（メタデータ） (2023-05-28T23:44:15Z)
Visualization of Decision Trees based on General Line Coordinates to Support Explainable Models [5.276232626689567]
本稿では,決定木(DT)を解釈可能なモデルとして可視化する新しいSPC-DT法を提案する。 SPCでは、各n-D点を2-Dカルテシアン座標のシフトした対を有向グラフとして視覚化する。 1)属性間の関係、(2)DT構造に対する個々のケース、(3)DT内のデータフロー、(4)各分割がDTノードのしきい値にどれだけきつくか、(5)n-D空間の一部のケースの密度を示す。
論文参考訳（メタデータ） (2022-05-09T04:49:29Z)
Interpretable Machine Learning for Self-Service High-Risk Decision-Making [7.005458308454871]
本稿では,一般的なライン座標における視覚的知識発見による機械学習の解釈に寄与する。解釈可能なデータセットユニットと一般的なライン座標としてのハイパーブロックの概念を組み合わせて、視覚的なセルフサービス機械学習モデルを作成する。
論文参考訳（メタデータ） (2022-05-09T04:37:07Z)
Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文参考訳（メタデータ） (2021-10-09T09:02:45Z)
Full interpretable machine learning in 2D with inline coordinates [9.13755431537592]
これは、n次元空間におけるn次元データを扱う必要がない完全な機械学習アプローチである。 2次元空間におけるn-Dパターンの発見は、2次元空間におけるn-Dデータのグラフ表現を用いてn-D情報を失うことなく可能である。これらのインライン座標に基づく分類と回帰アルゴリズムを導入した。
論文参考訳（メタデータ） (2021-06-14T16:21:06Z)
TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文参考訳（メタデータ） (2020-12-26T08:02:56Z)
SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks [81.64530401885476]
本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
論文参考訳（メタデータ） (2020-10-19T09:23:39Z)
Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文参考訳（メタデータ） (2020-07-30T18:23:18Z)
Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
論文参考訳（メタデータ） (2020-05-19T05:54:14Z)

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。