論文の概要: CLASSify: A Web-Based Tool for Machine Learning

• arxiv url: http://arxiv.org/abs/2310.03618v1
• Date: Thu, 5 Oct 2023 15:51:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-06 15:45:28.485499
• Title: CLASSify: A Web-Based Tool for Machine Learning
• Title（参考訳）: CLASSify: 機械学習のためのWebベースのツール
• Authors: Aaron D. Mullen, Samuel E. Armstrong, Jeff Talbert, V.K. Cody Bumgardner
• Abstract要約: 本稿では、機械学習の分類問題の自動化ツールについて、学習モデルのプロセスを簡単にし、結果を生成するとともに、データに対する情報的可視化と洞察を提供する。 CLASSifyは、機械学習の知識を必要とせずに分類問題を解決するオープンソースのツールである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning classification problems are widespread in bioinformatics, but the technical knowledge required to perform model training, optimization, and inference can prevent researchers from utilizing this technology. This article presents an automated tool for machine learning classification problems to simplify the process of training models and producing results while providing informative visualizations and insights into the data. This tool supports both binary and multiclass classification problems, and it provides access to a variety of models and methods. Synthetic data can be generated within the interface to fill missing values, balance class labels, or generate entirely new datasets. It also provides support for feature evaluation and generates explainability scores to indicate which features influence the output the most. We present CLASSify, an open-source tool for simplifying the user experience of solving classification problems without the need for knowledge of machine learning.
• Abstract（参考訳）: 機械学習の分類問題はバイオインフォマティクスで広く研究されているが、モデルトレーニング、最適化、推論を行うために必要な技術知識は、研究者がこの技術を利用するのを防げる。 本稿では,機械学習の分類問題に対して,データの可視化と洞察を提供しながら,モデルのトレーニングと結果生成のプロセスを簡素化する自動ツールを提案する。 このツールはバイナリとマルチクラスの両方の分類問題をサポートし、さまざまなモデルやメソッドへのアクセスを提供する。 合成データはインターフェース内で生成され、欠落した値を埋めたり、クラスラベルをバランスさせたり、全く新しいデータセットを生成することができる。 また、機能評価をサポートし、どの機能が出力に最も影響するかを示す説明可能性スコアを生成する。 CLASSifyは、機械学習の知識を必要とせずに、分類問題のユーザエクスペリエンスを簡素化するオープンソースツールである。

関連論文リスト

• RESTOR: Knowledge Recovery through Machine Unlearning [71.75834077528305]
  Webスケールコーパスでトレーニングされた大規模な言語モデルは、望ましくないデータポイントを記憶することができる。 訓練されたモデルからこれらのデータポイントを「消去」することを目的とした、多くの機械学習手法が提案されている。 以下に示す次元に基づいて,機械学習のためのRESTORフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-31T20:54:35Z)
• Verification of Machine Unlearning is Fragile [48.71651033308842]
  両タイプの検証戦略を回避できる2つの新しい非学習プロセスを導入する。 この研究は、機械学習検証の脆弱性と限界を強調し、機械学習の安全性に関するさらなる研究の道を開く。
  論文  参考訳（メタデータ） (2024-08-01T21:37:10Z)
• Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
  本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。 我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
  論文  参考訳（メタデータ） (2024-03-27T05:10:38Z)
• Democratize with Care: The need for fairness specific features in user-interface based open source AutoML tools [0.0]
  Automated Machine Learning (AutoML)は、機械学習モデル開発プロセスを効率化する。 この民主化により、多くのユーザー(非専門家を含む)が最先端の機械学習の専門知識にアクセスし利用できるようになる。 しかし、AutoMLツールはまた、これらのツールがデータを処理する方法、モデル選択、そして採用される最適化アプローチのバイアスを伝播する可能性がある。
  論文  参考訳（メタデータ） (2023-12-16T19:54:00Z)
• What and How of Machine Learning Transparency: Building Bespoke Explainability Tools with Interoperable Algorithmic Components [77.87794937143511]
  本稿では,データ駆動予測モデルを説明するためのハンズオントレーニング教材について紹介する。 これらのリソースは、解釈可能な表現合成、データサンプリング、説明生成の3つのコアビルディングブロックをカバーする。
  論文  参考訳（メタデータ） (2022-09-08T13:33:25Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• 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)
• Self-service Data Classification Using Interactive Visualization and Interpretable Machine Learning [9.13755431537592]
  Iterative Visual Logical (IVLC) は、解釈可能な機械学習アルゴリズムである。 IVLCは、医療領域における癌データのような機密で重要なデータを扱う際に特に有用である。 この章では、新しいコーディネートオーダー(COO)アルゴリズムと遺伝的アルゴリズムを組み合わせた自動分類手法を提案する。
  論文  参考訳（メタデータ） (2021-07-11T05:39:14Z)
• Industrial Machine Tool Component Surface Defect Dataset [0.3170655320696991]
  機械学習(ml)技術は一般的に、ディープラーニング技術は特定の量のデータを必要とする。 工作機械コンポーネントの手動検査と製品の手動最終検査は、労働集約的な作業です。 モデルのトレーニングとテストには,実世界のデータセットが必要だ。
  論文  参考訳（メタデータ） (2021-03-24T06:17:21Z)
• An analysis on the use of autoencoders for representation learning: fundamentals, learning task case studies, explainability and challenges [11.329636084818778]
  多くの機械学習タスクでは、データの優れた表現を学ぶことが、優れたパフォーマンスのソリューションを構築するための鍵となる。 可視化のためのデータ埋め込み,画像認識,セマンティックハッシュ,異常行動の検出,インスタンス生成など,一連の学習課題を提示する。 オートエンコーダを唯一の学習方法として用いた各タスクに対して,解を提案する。
  論文  参考訳（メタデータ） (2020-05-21T08:41:57Z)
• Visualisation and knowledge discovery from interpretable models [0.0]
  欠落した値も扱える本質的な解釈可能なモデルをいくつか紹介する。 合成データセットと実世界のデータセットでアルゴリズムを実証した。
  論文  参考訳（メタデータ） (2020-05-07T17:37:06Z)

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。