論文の概要: Class-constrained t-SNE: Combining Data Features and Class Probabilities
- arxiv url: http://arxiv.org/abs/2308.13837v1
- Date: Sat, 26 Aug 2023 10:05:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 18:49:00.392780
- Title: Class-constrained t-SNE: Combining Data Features and Class Probabilities
- Title（参考訳）: クラス制約t-SNE: データ特徴とクラス確率を組み合わせる
- Authors: Linhao Meng, Stef van den Elzen, Nicola Pezzotti, and Anna Vilanova
- Abstract要約: 本稿では,データ特徴とクラス確率を併用したクラス制約t-SNEを提案する。
モデル評価と視覚対話型ラベリングにおけるその応用可能性について述べる。
- 参考スコア（独自算出の注目度）: 1.3285222309805058
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Data features and class probabilities are two main perspectives when, e.g.,
evaluating model results and identifying problematic items. Class probabilities
represent the likelihood that each instance belongs to a particular class,
which can be produced by probabilistic classifiers or even human labeling with
uncertainty. Since both perspectives are multi-dimensional data, dimensionality
reduction (DR) techniques are commonly used to extract informative
characteristics from them. However, existing methods either focus solely on the
data feature perspective or rely on class probability estimates to guide the DR
process. In contrast to previous work where separate views are linked to
conduct the analysis, we propose a novel approach, class-constrained t-SNE,
that combines data features and class probabilities in the same DR result.
Specifically, we combine them by balancing two corresponding components in a
cost function to optimize the positions of data points and iconic
representation of classes -- class landmarks. Furthermore, an interactive
user-adjustable parameter balances these two components so that users can focus
on the weighted perspectives of interest and also empowers a smooth visual
transition between varying perspectives to preserve the mental map. We
illustrate its application potential in model evaluation and visual-interactive
labeling. A comparative analysis is performed to evaluate the DR results.
- Abstract（参考訳）: データの特徴とクラス確率は、モデル結果の評価と問題項目の識別という2つの主要な観点である。
クラス確率は、各インスタンスが特定のクラスに属する可能性を表し、確率的分類器や不確実性のある人間のラベル付けによって生成される。
両視点は多次元データであるため,次元減少(DR)技術は情報的特徴を抽出するために一般的に用いられている。
しかし、既存のメソッドはデータ機能の観点からのみフォーカスするか、DRプロセスを導くためにクラス確率推定に依存しています。
分析を行うために別々のビューがリンクされる以前の研究とは対照的に、同じdr結果におけるデータ特徴とクラス確率を組み合わせた新しいアプローチであるクラス制約付きt-sneを提案する。
具体的には、コスト関数内の2つの対応するコンポーネントのバランスをとることで、データポイントの位置とクラスの象徴的な表現 -- クラスランドマークを最適化します。
さらに、インタラクティブなユーザ調整可能なパラメータは、これら2つのコンポーネントのバランスをとり、ユーザが関心の重み付けされた視点に集中できるようにします。
モデル評価と視覚対話型ラベリングにおけるその応用可能性について述べる。
DR結果を評価するために比較分析を行う。
関連論文リスト
- Learning Decomposable and Debiased Representations via Attribute-Centric Information Bottlenecks [21.813755593742858]
データセット内のターゲットラベルと突発的に相関するバイアス属性は、分類の不適切なショートカットを学習するニューラルネットワークに問題を引き起こす可能性がある。
本稿では,属性の合成表現を学習するための注目に基づく情報ボトルネックを導入し,新たなデバイアス化フレームワークであるデバイアスンググローバルワークスペースを提案する。
偏りのあるデータセットに対する包括的評価と定量的および定性的な分析を行い、アプローチの有効性を実証する。
論文 参考訳（メタデータ） (2024-03-21T05:33:49Z) - Common-Sense Bias Modeling for Classification Tasks [15.683471433842492]
テキスト記述に基づく画像データセットの包括的バイアスを抽出する新しい枠組みを提案する。
提案手法は,複数の画像ベンチマークデータセットにおける新しいモデルバイアスを明らかにする。
発見されたバイアスは、機能の非相関化のために、単純なデータ再重み付けによって緩和することができる。
論文 参考訳（メタデータ） (2024-01-24T03:56:07Z) - CS-Shapley: Class-wise Shapley Values for Data Valuation in
Classification [24.44357623723746]
CS-Shapleyは,トレーニングインスタンスのクラス内コントリビューションとクラス外コントリビューションを区別する新しい値関数である。
我々の結果は、Shapleyベースのデータバリュエーションは、異なるモデルにわたるアプリケーションに転送可能であることを示唆している。
論文 参考訳（メタデータ） (2022-11-13T03:32:33Z) - ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial
Multi-View Clustering [52.491074276133325]
部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。
提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
論文 参考訳（メタデータ） (2022-03-01T02:32:25Z) - Generalized One-Class Learning Using Pairs of Complementary Classifiers [41.64645294104883]
1クラス学習は、単一のクラスでのみアノテーションが利用できるデータにモデルを適合させる古典的な問題である。
本稿では,一級学習の新たな目的を探求し,これを一般化一級識別サブスペース(GODS)と呼ぶ。
論文 参考訳（メタデータ） (2021-06-24T18:52:05Z) - From Canonical Correlation Analysis to Self-supervised Graph Neural
Networks [99.44881722969046]
本稿では,グラフデータを用いた自己教師付き表現学習のための概念的単純かつ効果的なモデルを提案する。
古典的カノニカル相関解析にインスパイアされた,革新的な特徴レベルの目的を最適化する。
提案手法は、7つの公開グラフデータセット上で競合的に動作する。
論文 参考訳（メタデータ） (2021-06-23T15:55:47Z) - Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。
1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。
各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-11T03:25:25Z) - Weakly-Supervised Aspect-Based Sentiment Analysis via Joint
Aspect-Sentiment Topic Embedding [71.2260967797055]
アスペクトベース感情分析のための弱教師付きアプローチを提案する。
We learn sentiment, aspects> joint topic embeddeds in the word embedding space。
次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
論文 参考訳（メタデータ） (2020-10-13T21:33:24Z) - A Few-Shot Sequential Approach for Object Counting [63.82757025821265]
画像中のオブジェクトに逐次出席するクラスアテンション機構を導入し,それらの特徴を抽出する。
提案手法は点レベルのアノテーションに基づいて訓練され,モデルのクラス依存的・クラス依存的側面を乱す新しい損失関数を用いる。
本稿では,FSODやMS COCOなど,さまざまなオブジェクトカウント/検出データセットについて報告する。
論文 参考訳（メタデータ） (2020-07-03T18:23:39Z) - Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
多視点問題は潜在変数モデルに直面することができる。
高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。
両アプローチを単一モデルにマージすることを提案する。
論文 参考訳（メタデータ） (2020-06-01T14:25:38Z) - FDive: Learning Relevance Models using Pattern-based Similarity Measures [27.136998442865217]
FDiveは視覚的に探索可能な関連モデルの作成を支援する視覚的能動学習システムである。
最適な類似度尺度に基づいて、インタラクティブな自己組織化マップベースの関連モデルを算出する。
また、その正確性を改善するために、さらに関連性フィードバックを自動で促す。
論文 参考訳（メタデータ） (2019-07-29T15:37:43Z)
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。