Fugu-MT 論文翻訳(概要): A Flexible Cell Classification for ML Projects in Jupyter Notebooks

論文の概要: A Flexible Cell Classification for ML Projects in Jupyter Notebooks

arxiv url: http://arxiv.org/abs/2403.07562v1
Date: Tue, 12 Mar 2024 11:50:47 GMT
ステータス: 処理完了
システム内更新日: 2024-03-13 21:42:08.924974
Title: A Flexible Cell Classification for ML Projects in Jupyter Notebooks
Title（参考訳）: ジュピターノートにおけるMLプロジェクトの柔軟なセル分類
Authors: Miguel Perez and Selin Aydin and Horst Lichter
Abstract要約: 本稿では,ルールベースと決定木分類器を組み合わせたハイブリッド分類手法により,より柔軟な細胞分類手法を提案する。われわれはJupyLabelというツールで新しいフレキシブルな細胞分類手法を実装した。
参考スコア（独自算出の注目度）: 0.21485350418225244
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Jupyter Notebook is an interactive development environment commonly used for rapid experimentation of machine learning (ML) solutions. Describing the ML activities performed along code cells improves the readability and understanding of Notebooks. Manual annotation of code cells is time-consuming and error-prone. Therefore, tools have been developed that classify the cells of a notebook concerning the ML activity performed in them. However, the current tools are not flexible, as they work based on look-up tables that have been created, which map function calls of commonly used ML libraries to ML activities. These tables must be manually adjusted to account for new or changed libraries. This paper presents a more flexible approach to cell classification based on a hybrid classification approach that combines a rule-based and a decision tree classifier. We discuss the design rationales and describe the developed classifiers in detail. We implemented the new flexible cell classification approach in a tool called JupyLabel. Its evaluation and the obtained metric scores regarding precision, recall, and F1-score are discussed. Additionally, we compared JupyLabel with HeaderGen, an existing cell classification tool. We were able to show that the presented flexible cell classification approach outperforms this tool significantly.
Abstract（参考訳）: Jupyter Notebookは、機械学習(ML)ソリューションの迅速な実験に一般的に使用されるインタラクティブな開発環境である。コードセルに沿って実行されるMLアクティビティを記述することで、ノートブックの可読性と理解が向上する。コードセルのマニュアルアノテーションは時間がかかりエラーが発生しやすい。そのため、ノートブック内のML活動に関する細胞を分類するツールが開発されている。しかし、現在使用されているMLライブラリの関数呼び出しをMLアクティビティにマップするルックアップテーブルに基づいて動作するため、現在のツールは柔軟性がない。これらのテーブルは新しいライブラリや変更されたライブラリのために手動で調整されなければならない。本稿では,ルールベースと決定木分類器を組み合わせたハイブリッド分類法に基づいて,より柔軟な細胞分類法を提案する。設計の合理性を議論し,開発した分類器について詳細に述べる。 JupyLabelというツールで新しい柔軟な細胞分類手法を実装した。精度,リコール,f1スコアに関する評価と測定値について考察した。さらに、既存のセル分類ツールであるHeaderGenとJupyLabelを比較しました。提案したフレキシブルな細胞分類手法が,このツールよりも優れていることを示すことができた。

関連論文リスト

LML-DAP: Language Model Learning a Dataset for Data-Augmented Prediction [0.0]
本稿では,Large Language Models (LLMs) を解説可能な方法で分類する手法を提案する。提案手法は,予測の解釈可能性を高めるために,"Act as a Explainable Machine Learning Model" という単語を使用する。いくつかのテストケースでは、システムは90%以上の精度を記録し、システムの有効性を証明した。
論文参考訳（メタデータ） (2024-09-27T17:58:50Z)
Typhon: Automatic Recommendation of Relevant Code Cells in Jupyter Notebooks [0.3122672716129843]
本稿では,Jupyterノートブックのコードセルを自動的に推薦するTyphonを提案する。 Typhonは開発者のマークダウン記述セルをトークン化し、データベースから最もよく似たコードセルを探す。我々は、KaggleコンペティションからJupyterノートブックのTyphonツールを評価し、そのアプローチが適度な精度でコードセルを推薦できることを発見した。
論文参考訳（メタデータ） (2024-05-15T03:59:59Z)
RigLSTM: Recurrent Independent Grid LSTM for Generalizable Sequence Learning [75.61681328968714]
本稿では,対象タスクの基盤となるモジュール構造を利用するために,リカレントな独立したGrid LSTM(RigLSTM)を提案する。本モデルでは, セル選択, 入力特徴選択, 隠れ状態選択, ソフト状態更新を採用し, より優れた一般化を実現する。
論文参考訳（メタデータ） (2023-11-03T07:40:06Z)
Language models are weak learners [71.33837923104808]
本研究では,プロンプトベースの大規模言語モデルは弱い学習者として効果的に動作可能であることを示す。これらのモデルをブースティングアプローチに組み込むことで、モデル内の知識を活用して、従来のツリーベースのブースティングよりも優れています。結果は、プロンプトベースのLLMが、少数の学習者だけでなく、より大きな機械学習パイプラインのコンポーネントとして機能する可能性を示している。
論文参考訳（メタデータ） (2023-06-25T02:39:19Z)
Static Analysis Driven Enhancements for Comprehension in Machine Learning Notebooks [7.142786325863891]
Jupyterノートブックを使えば、開発者はリッチテキストとインラインビジュアライゼーションでコードスニペットをインターリーブできる。最近の研究では、Jupyterノートの大部分が文書化されておらず、物語構造が欠けていることが示されている。本稿では、コードセルに分類型マークダウンヘッダーを付加する新しいツールベースのアプローチであるHeaderGenを提案する。
論文参考訳（メタデータ） (2023-01-11T11:57:52Z)
End-to-End Learning to Index and Search in Large Output Spaces [95.16066833532396]
Extreme Multi-label Classification (XMC) は現実世界の問題を解決するための一般的なフレームワークである。本稿では,木系インデックスを特殊重み付きグラフベースインデックスに緩和する新しい手法を提案する。 ELIASは、数百万のラベルを持つ大規模極端分類ベンチマークで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2022-10-16T01:34:17Z)
Class-Incremental Lifelong Learning in Multi-Label Classification [3.711485819097916]
本稿では、連続したマルチラベル分類データストリームにオンラインのクラスインクリメンタル分類器を構築する、Lifelong Multi-Label (LML)分類について検討する。そこで本研究では,AGCN (Augmented Graph Convolutional Network) を提案する。
論文参考訳（メタデータ） (2022-07-16T05:14:07Z)
Few-Shot Class-Incremental Learning by Sampling Multi-Phase Tasks [59.12108527904171]
モデルは新しいクラスを認識し、古いクラスに対する差別性を維持すべきである。古いクラスを忘れずに新しいクラスを認識するタスクは、FSCIL ( few-shot class-incremental Learning) と呼ばれる。我々は,LearnIng Multi-phase Incremental Tasks (LIMIT) によるメタラーニングに基づくFSCILの新しいパラダイムを提案する。
論文参考訳（メタデータ） (2022-03-31T13:46:41Z)
Context-aware Execution Migration Tool for Data Science Jupyter Notebooks on Hybrid Clouds [0.22908242575265025]
本稿では,Jupyter拡張として開発された,どのセルを選択するか,どのシナリオで,より適切な実行プラットフォームに移行するべきかを自動選択するソリューションを提案する。地球科学(リモートセンシング)、画像認識、手書き桁識別(機械学習)のノートブックを用いて、本実験では、ノートブックの状態が最大55倍に低下し、ユーザとノートブックとの対話性が考慮された場合、移行決定が最大3.25倍に向上することを示す。
論文参考訳（メタデータ） (2021-07-01T02:33:18Z)
SLADE: A Self-Training Framework For Distance Metric Learning [75.54078592084217]
我々は、追加のラベルのないデータを活用することで、検索性能を向上させるための自己学習フレームワークSLADEを提案する。まず、ラベル付きデータに基づいて教師モデルをトレーニングし、ラベルなしデータに対して擬似ラベルを生成する。次に、最終機能埋め込みを生成するために、ラベルと擬似ラベルの両方で学生モデルをトレーニングします。
論文参考訳（メタデータ） (2020-11-20T08:26:10Z)
Split and Expand: An inference-time improvement for Weakly Supervised Cell Instance Segmentation [71.50526869670716]
本研究では,分割マップのインスタンスへの変換を改善するために,2段階の後処理手順であるSplitとExpandを提案する。 Splitのステップでは,セルの集合をセグメント化マップから個々のセルインスタンスに分割し,セル中心の予測を導出する。拡張ステップでは、細胞中心予測を用いて、小さな細胞が欠落していることが分かる。
論文参考訳（メタデータ） (2020-07-21T14:05:09Z)

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。