論文の概要: Formative Study for AI-assisted Data Visualization

• arxiv url: http://arxiv.org/abs/2409.06892v1
• Date: Tue, 10 Sep 2024 22:20:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-12 16:16:15.042960
• Title: Formative Study for AI-assisted Data Visualization
• Title（参考訳）: AI支援データ可視化のための定式化研究
• Authors: Rania Saber, Anna Fariha,
• Abstract要約: この研究は、発生した特定の可視化問題を特定し、分類することを目的としている。 ツール開発はまだ実施されていないが、この発見は欠陥のあるデータを扱うためのAI視覚化ツールの強化を強調している。
• 参考スコア（独自算出の注目度）: 2.957524256549577
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This formative study investigates the impact of data quality on AI-assisted data visualizations, focusing on how uncleaned datasets influence the outcomes of these tools. By generating visualizations from datasets with inherent quality issues, the research aims to identify and categorize the specific visualization problems that arise. The study further explores potential methods and tools to address these visualization challenges efficiently and effectively. Although tool development has not yet been undertaken, the findings emphasize enhancing AI visualization tools to handle flawed data better. This research underscores the critical need for more robust, user-friendly solutions that facilitate quicker and easier correction of data and visualization errors, thereby improving the overall reliability and usability of AI-assisted data visualization processes.
• Abstract（参考訳）: このフォーマティブな研究は、データ品質がAIによるデータ視覚化に与える影響を調査し、不適切なデータセットがこれらのツールの結果にどのように影響するかに焦点を当てる。 この研究は、固有の品質問題を持つデータセットから視覚化を生成することにより、発生した特定の可視化問題を特定し、分類することを目的としている。 この研究は、これらの視覚化課題に効果的に対処する潜在的な方法やツールについても検討している。 ツール開発はまだ実施されていないが、この発見は欠陥のあるデータを扱うためのAI視覚化ツールの強化を強調している。 この研究は、より堅牢でユーザフレンドリなソリューションの必要性を強調し、データや視覚化エラーの迅速かつ容易な修正を可能にし、AI支援データ可視化プロセスの全体的な信頼性とユーザビリティを向上させる。

関連論文リスト

• The role of data embedding in quantum autoencoders for improved anomaly detection [0.0]
  異常検出タスクにおける量子オートエンコーダ(QAE)の性能は、データ埋め込みとアンザッツ設計の選択に大きく依存する。 本研究では,3つのデータ埋め込み技術,データ再ロード,並列埋め込み,代替埋め込みが異常検出におけるQAEの表現性および有効性に与える影響について検討した。
  論文  参考訳（メタデータ） (2024-09-06T18:00:01Z)
• A Simple Background Augmentation Method for Object Detection with Diffusion Model [53.32935683257045]
  コンピュータビジョンでは、データの多様性の欠如がモデル性能を損なうことはよく知られている。 本稿では, 生成モデルの進歩を生かして, 単純かつ効果的なデータ拡張手法を提案する。 背景強化は、特にモデルの堅牢性と一般化能力を大幅に改善する。
  論文  参考訳（メタデータ） (2024-08-01T07:40:00Z)
• HGOE: Hybrid External and Internal Graph Outlier Exposure for Graph Out-of-Distribution Detection [78.47008997035158]
  グラフデータはより多様性を示すが、摂動に対する堅牢性は低く、外れ値の統合を複雑にする。 我々は、グラフOOD検出性能を改善するために、textbfHybrid外部および内部の textbfGraph textbfOutlier textbfExposure (HGOE) の導入を提案する。
  論文  参考訳（メタデータ） (2024-07-31T16:55:18Z)
• PairCFR: Enhancing Model Training on Paired Counterfactually Augmented Data through Contrastive Learning [49.60634126342945]
  Counterfactually Augmented Data (CAD)は、既存のデータサンプルのラベルを他のクラスに戻すのに、最小限かつ十分な修正を適用することで、新しいデータサンプルを作成する。 近年の研究では、CADを用いたトレーニングが、他の重要な文脈情報を無視しながら、モデルが修正機能に過度にフォーカスする可能性があることが示されている。 我々は、対実的手がかりの学習に加えて、グローバルな特徴アライメントを促進するために、対照的な学習を採用する。
  論文  参考訳（メタデータ） (2024-06-09T07:29:55Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• Advanced Data Augmentation Approaches: A Comprehensive Survey and Future directions [57.30984060215482]
  データ拡張の背景、レビューされたデータ拡張技術の新しい包括的分類法、および各技術の強さと弱点(可能ならば)を提供する。 また、画像分類、オブジェクト検出、セマンティックセグメンテーションなどの3つの一般的なコンピュータビジョンタスクに対して、データ拡張効果の総合的な結果を提供する。
  論文  参考訳（メタデータ） (2023-01-07T11:37:32Z)
• Striving for data-model efficiency: Identifying data externalities on group performance [75.17591306911015]
  信頼できる、効果的で責任ある機械学習システムの構築は、トレーニングデータとモデリング決定の違いが、予測パフォーマンスにどのように影響するかを理解することに集中する。 我々は、特定のタイプのデータモデル非効率性に注目し、一部のソースからトレーニングデータを追加することで、集団の重要なサブグループで評価されるパフォーマンスを実際に低下させることができる。 以上の結果から,データ効率が正確かつ信頼性の高い機械学習の鍵となることが示唆された。
  論文  参考訳（メタデータ） (2022-11-11T16:48:27Z)
• A Survey of Dataset Refinement for Problems in Computer Vision Datasets [11.45536223418548]
  大規模データセットはコンピュータビジョンの進歩に重要な役割を果たしてきた。 クラス不均衡、ノイズの多いラベル、データセットバイアス、高いリソースコストといった問題に悩まされることが多い。 データセット問題を解決するために、様々なデータ中心のソリューションが提案されている。 データセットを再構成することで、データセットの品質が向上します。
  論文  参考訳（メタデータ） (2022-10-21T03:58:43Z)
• Beyond Visuals : Examining the Experiences of Geoscience Professionals With Vision Disabilities in Accessing Data Visualizations [0.0]
  この研究は、データ視覚化へのアクセスにおいて、STEMの規律(地質学)に盲目/視力障害のある専門家の経験を理解することを目的としている。 反射的セマンティック分析では、キャリアパスに影響を与える可視化の影響、研究のためのデータ探索ツールの欠如、同僚の作品へのアクセス障壁、そして可視化とアクセシビリティ研究のミスマッチしたペースが明らかにされた。
  論文  参考訳（メタデータ） (2022-07-27T00:07:44Z)
• Data Curation and Quality Assurance for Machine Learning-based Cyber Intrusion Detection [1.0276024900942873]
  本稿では、まず、既存の機械学習ベースの侵入検知システムと、これらのシステム構築に使用されるデータセットを要約する。 実験結果から,BERT と GPT がすべてのデータセット上で HIDS に最適なアルゴリズムであることが示唆された。 そこで本論文では, HIDSデータセットが持つべき最高の特性を推定するために, 提案した品質次元に基づいて, 11データセットのデータ品質を評価する。
  論文  参考訳（メタデータ） (2021-05-20T21:31:46Z)

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。