論文の概要: Spacewalker: Traversing Representation Spaces for Fast Interactive Exploration and Annotation of Unstructured Data

• arxiv url: http://arxiv.org/abs/2409.16793v2
• Date: Tue, 14 Jan 2025 08:47:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-15 13:25:30.857941
• Title: Spacewalker: Traversing Representation Spaces for Fast Interactive Exploration and Annotation of Unstructured Data
• Title（参考訳）: Spacewalker: 高速なインタラクティブな探索と非構造化データのアノテーションのための表現空間のトラバース
• Authors: Lukas Heine, Fabian Hörst, Jana Fragemann, Gijs Luijten, Jan Egger, Fin Bahnsen, M. Saquib Sarfraz, Jens Kleesiek, Constantin Seibold,
• Abstract要約: Spacewalkerは、複数のモードでデータを分析、探索、注釈付けするインタラクティブツールである。 ユーザは、データ表現を抽出し、低次元空間で視覚化し、探索的または関心のある領域を問合せすることによって、大きなデータセットをトラバースすることができる。 従来の手法と比較して,Spacewalkerは時間と労力を削減できることを示す。
• 参考スコア（独自算出の注目度）: 8.425539271589113
• License:
• Abstract: In industries such as healthcare, finance, and manufacturing, analysis of unstructured textual data presents significant challenges for analysis and decision making. Uncovering patterns within large-scale corpora and understanding their semantic impact is critical, but depends on domain experts or resource-intensive manual reviews. In response, we introduce Spacewalker in this system demonstration paper, an interactive tool designed to analyze, explore, and annotate data across multiple modalities. It allows users to extract data representations, visualize them in low-dimensional spaces and traverse large datasets either exploratory or by querying regions of interest. We evaluated Spacewalker through extensive experiments and annotation studies, assessing its efficacy in improving data integrity verification and annotation. We show that Spacewalker reduces time and effort compared to traditional methods. The code of this work is open-source and can be found at: https://github.com/code-lukas/Spacewalker
• Abstract（参考訳）: 医療、金融、製造業などの産業において、構造化されていないテキストデータの分析は、分析と意思決定の重要な課題である。 大規模コーパス内のパターンを発見し、その意味的影響を理解することは重要だが、ドメインの専門家やリソース集約的なマニュアルレビューに依存する。 本システムでは,複数のモダリティをまたいだデータの解析,探索,注釈付けを行うインタラクティブツールであるSpacewalkerを紹介した。 ユーザは、データ表現を抽出し、低次元空間で視覚化し、探索的または関心のある領域を問合せすることによって、大きなデータセットをトラバースすることができる。 実験とアノテーション研究を通じてSpacewalkerを評価し,データ整合性検証とアノテーションの改善の有効性を評価した。 従来の手法と比較して,Spacewalkerは時間と労力を削減できることを示す。 この作業のコードはオープンソースで、https://github.com/code-lukas/Spacewalkerを参照してください。

関連論文リスト

• WildVis: Open Source Visualizer for Million-Scale Chat Logs in the Wild [88.05964311416717]
  本研究では,高速,多目的,大規模会話分析が可能な対話型ツールWildVisを紹介する。 WildVisは、基準リストに基づいてテキストと埋め込みスペースの検索と視覚化機能を提供する。 誤用調査の促進,データセット間のトピック分布の可視化と比較,ユーザ固有の会話パターンの特徴付け,という3つのケーススタディを通じてWildVisの有用性を実証する。
  論文  参考訳（メタデータ） (2024-09-05T17:59:15Z)
• AvaTaR: Optimizing LLM Agents for Tool Usage via Contrastive Reasoning [93.96463520716759]
  大規模言語モデル(LLM)エージェントは、精度と幻覚を高めるために外部ツールと知識を活用する際、印象的な能力を示した。 本稿では、LLMエージェントを最適化して提供されたツールを効果的に活用し、与えられたタスクのパフォーマンスを向上させる新しい自動化フレームワークであるAvaTaRを紹介する。
  論文  参考訳（メタデータ） (2024-06-17T04:20:02Z)
• VERA: Generating Visual Explanations of Two-Dimensional Embeddings via Region Annotation [0.0]
  Visual Explanations via Region (VERA) は2次元埋め込みの視覚的説明を生成する自動埋め込みアノテーション手法である。 VERAは、埋め込み空間内の異なる領域を特徴付ける情報的説明を生成し、ユーザがその埋め込み風景を一目で概観することができる。 実世界のデータセット上でのVERAの利用について説明するとともに,本手法の有効性を比較ユーザスタディで検証する。
  論文  参考訳（メタデータ） (2024-06-07T10:23:03Z)
• SwitchTab: Switched Autoencoders Are Effective Tabular Learners [16.316153704284936]
  グラフデータに対する自己教師付き表現手法であるSwitchTabを紹介する。 SwitchTabは、データペア間の相互および正常な機能を分離することで、潜伏した依存関係をキャプチャする。 その結果、微調整によるエンドツーエンド予測タスクにおいて、優れた性能を示した。 そこで我々は,SwitchTabが相互に疎結合で有意な特徴を可視化することで,説明可能な表現を生成する能力を強調した。
  論文  参考訳（メタデータ） (2024-01-04T01:05:45Z)
• Capture the Flag: Uncovering Data Insights with Large Language Models [90.47038584812925]
  本研究では,Large Language Models (LLMs) を用いてデータの洞察の発見を自動化する可能性について検討する。 そこで本稿では,データセット内の意味的かつ関連する情報(フラグ)を識別する能力を測定するために,フラグを捕捉する原理に基づく新しい評価手法を提案する。
  論文  参考訳（メタデータ） (2023-12-21T14:20:06Z)
• Learn to Explore: on Bootstrapping Interactive Data Exploration with Meta-learning [8.92180350317399]
  本稿ではメタ学習に基づく学習から発見までのフレームワークを提案し,メタタスクを自動生成した分類器の学習方法を学習する。 提案手法は,精度と効率の点で既存探索法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-07T03:12:41Z)
• Understanding the World Through Action [91.3755431537592]
  ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。 このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
  論文  参考訳（メタデータ） (2021-10-24T22:33:52Z)
• RTE: A Tool for Annotating Relation Triplets from Text [3.2958527541557525]
  関係抽出では、2つの実体間の関係を参照する二項関係に焦点をあてる。 注釈付きクリーンデータセットの欠如は、この研究領域における重要な課題である。 本研究では、研究者が自身のデータセットで関係抽出に注釈を付けることができるウェブベースのツールを構築した。
  論文  参考訳（メタデータ） (2021-08-18T14:54:22Z)
• Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
  トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。 実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
  論文  参考訳（メタデータ） (2021-01-16T23:45:02Z)
• Interactive Weak Supervision: Learning Useful Heuristics for Data Labeling [19.24454872492008]
  弱監督は、基礎的な真理ラベルなしでラベル付きデータセットを作成するための有望な代替手段を提供する。 本稿では,対話型弱監督のための最初のフレームワークを開発し,その手法が反復を提案し,ユーザフィードバックから学習する。 私たちの実験は、非常に競争力のあるテストセット性能を達成するモデルのトレーニングに少数のフィードバックが必要であることを示しています。
  論文  参考訳（メタデータ） (2020-12-11T00:10:38Z)
• Synthetic Data: Opening the data floodgates to enable faster, more directed development of machine learning methods [96.92041573661407]
  機械学習における画期的な進歩の多くは、大量のリッチデータを利用できることに起因する。 多くの大規模データセットは、医療データなど高度に敏感であり、機械学習コミュニティでは広く利用できない。 プライバシー保証で合成データを生成することは、そのようなソリューションを提供します。
  論文  参考訳（メタデータ） (2020-12-08T17:26:10Z)

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。