論文の概要: MLMC: Interactive multi-label multi-classifier evaluation without confusion matrices

• arxiv url: http://arxiv.org/abs/2501.14460v1
• Date: Fri, 24 Jan 2025 12:43:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:56:23.080849
• Title: MLMC: Interactive multi-label multi-classifier evaluation without confusion matrices
• Title（参考訳）: MLMC:混乱行列を伴わない対話型マルチラベル多重分類器の評価
• Authors: Aleksandar Doknic, Torsten Möller,
• Abstract要約: Machine-Cは、マルチラベル比較と評価の課題に取り組むビジュアル探索ツールである。 本研究は,Machine-Cが実装した手法により,ユーザフレンドリを維持しつつ,強力なマルチラベル分類器の評価が可能となることを示す。
• 参考スコア（独自算出の注目度）: 52.476815843373515
• License:
• Abstract: Machine learning-based classifiers are commonly evaluated by metrics like accuracy, but deeper analysis is required to understand their strengths and weaknesses. MLMC is a visual exploration tool that tackles the challenge of multi-label classifier comparison and evaluation. It offers a scalable alternative to confusion matrices which are commonly used for such tasks, but don't scale well with a large number of classes or labels. Additionally, MLMC allows users to view classifier performance from an instance perspective, a label perspective, and a classifier perspective. Our user study shows that the techniques implemented by MLMC allow for a powerful multi-label classifier evaluation while preserving user friendliness.
• Abstract（参考訳）: 機械学習ベースの分類器は、精度などの指標によって一般的に評価されるが、その強みや弱点を理解するには、より深い分析が必要である。 MLMCは、マルチラベル分類器の比較と評価の課題に取り組む視覚探索ツールである。 このようなタスクで一般的に使用される混乱行列に代わるスケーラブルな代替手段を提供するが、多数のクラスやラベルではうまくスケールしない。 さらにMLMCでは、インスタンスパースペクティブ、ラベルパースペクティブ、分類器パースペクティブから、分類器のパフォーマンスを見ることができる。 ユーザスタディでは,MLMCが実装した手法により,ユーザフレンドリ性を保ちながら,強力なマルチラベル分類器の評価が可能であることが示されている。

関連論文リスト

• Disambiguated Attention Embedding for Multi-Instance Partial-Label Learning [68.56193228008466]
  多くの実世界のタスクでは、関連するオブジェクトは、候補ラベルセットに関連付けられたマルチインスタンスバッグとして表現することができる。 既存のMIPLアプローチは、各インスタンスに拡張候補ラベルセットを割り当て、インスタンスレベルのラベルからバッグレベルのラベルを集約することで、インスタンス空間のパラダイムに従っている。 本稿では,DEMIPLという直感的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-26T13:25:17Z)
• Reliable Representations Learning for Incomplete Multi-View Partial Multi-Label Classification [78.15629210659516]
  本稿ではRANKという不完全なマルチビュー部分的マルチラベル分類ネットワークを提案する。 既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。 我々のモデルは、完全なマルチビューマルチラベルデータセットを処理できるだけでなく、欠落したインスタンスやラベルを持つデータセットでも機能する。
  論文  参考訳（メタデータ） (2023-03-30T03:09:25Z)
• Towards Learning Causal Representations from Multi-Instance Bags [38.68813959335736]
  MIL(Multi-Instance Learning)は、インスタンスのグループとして表されるオブジェクトを扱う弱い教師付き学習の一種である。 本稿では,関心対象に対する因果関係として解釈可能な意味的意味表現を学習するTargetedMILアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-25T09:13:00Z)
• Adaptive Hierarchical Similarity Metric Learning with Noisy Labels [138.41576366096137]
  適応的階層的類似度メトリック学習法を提案する。 ノイズに敏感な2つの情報、すなわち、クラスワイドのばらつきとサンプルワイドの一貫性を考える。 提案手法は,現在の深層学習手法と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-10-29T02:12:18Z)
• Learning from Multiple Annotators by Incorporating Instance Features [15.643325526074804]
  複数のアノテーションから学ぶことは、トレーニングインスタンスから高品質な分類器を誘導することを目的としている。 既存のほとんどのメソッドでは、ラベルがインスタンスの特徴に依存しないアノテータのクラスレベルの混乱行列が採用されている。 混乱行列に基づくアノテータの性能に対するインスタンス特徴の影響を取り入れたノイズ遷移行列を提案する。
  論文  参考訳（メタデータ） (2021-06-29T08:07:24Z)
• Interpretation of multi-label classification models using shapley values [0.5482532589225552]
  本研究は,shap法を用いて,マルチラベル分類タスクの説明をさらに拡張する。 この実験は、よく知られたマルチラベルデータセット上の異なるアルゴリズムの包括的な比較を示す。
  論文  参考訳（メタデータ） (2021-04-21T12:51:12Z)
• Quantifying Learnability and Describability of Visual Concepts Emerging in Representation Learning [91.58529629419135]
  我々は、ディープニューラルネットワークによって自動的に発見された視覚的なグルーピングを特徴付ける方法を検討する。 本稿では、任意の画像グループ化の解釈可能性の定量化に使用できる視覚的学習可能性と記述可能性という2つの概念を紹介する。
  論文  参考訳（メタデータ） (2020-10-27T18:41:49Z)
• Metrics for Multi-Class Classification: an Overview [0.9176056742068814]
  2つ以上のクラスを含む分類タスクを「マルチクラス分類」と呼ぶ パフォーマンス指標は、異なる分類モデルや機械学習技術を評価し比較する目的において非常に有用である。
  論文  参考訳（メタデータ） (2020-08-13T08:41:44Z)
• Decoding machine learning benchmarks [0.0]
  アイテム応答理論(IRT)は、優れた機械学習ベンチマークとなるべきものを解明するための新しいアプローチとして登場した。 IRTは、よく知られたOpenML-CC18ベンチマークを探索し、分類器の評価にどの程度適しているかを特定した。
  論文  参考訳（メタデータ） (2020-07-29T14:39:41Z)
• Interaction Matching for Long-Tail Multi-Label Classification [57.262792333593644]
  既存のマルチラベル分類モデルにおいて,制約に対処するためのエレガントで効果的なアプローチを提案する。 ソフトなn-gram相互作用マッチングを実行することで、ラベルと自然言語記述をマッチングする。
  論文  参考訳（メタデータ） (2020-05-18T15:27:55Z)

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。