論文の概要: Charting and Navigating Hugging Face's Model Atlas

• arxiv url: http://arxiv.org/abs/2503.10633v1
• Date: Thu, 13 Mar 2025 17:59:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:55:16.336099
• Title: Charting and Navigating Hugging Face's Model Atlas
• Title（参考訳）: 顔のモデルアトラスのグラフ化とナビゲーション
• Authors: Eliahu Horwitz, Nitzan Kurer, Jonathan Kahana, Liel Amar, Yedid Hoshen,
• Abstract要約: 我々はHugging Faceの文書化された部分を表す予備アトラスをグラフ化した。 モデルランドスケープと進化の素晴らしい視覚化を提供する。 文書化されていない領域をチャート化する方法を提案する。
• 参考スコア（独自算出の注目度）: 37.19719066562013
• License:
• Abstract: As there are now millions of publicly available neural networks, searching and analyzing large model repositories becomes increasingly important. Navigating so many models requires an atlas, but as most models are poorly documented charting such an atlas is challenging. To explore the hidden potential of model repositories, we chart a preliminary atlas representing the documented fraction of Hugging Face. It provides stunning visualizations of the model landscape and evolution. We demonstrate several applications of this atlas including predicting model attributes (e.g., accuracy), and analyzing trends in computer vision models. However, as the current atlas remains incomplete, we propose a method for charting undocumented regions. Specifically, we identify high-confidence structural priors based on dominant real-world model training practices. Leveraging these priors, our approach enables accurate mapping of previously undocumented areas of the atlas. We publicly release our datasets, code, and interactive atlas.
• Abstract（参考訳）: 現在、数百万の公開ニューラルネットワークが存在するため、大規模なモデルリポジトリの検索と分析がますます重要になっている。 多くのモデルをナビゲートするにはアトラスが必要ですが、ほとんどのモデルは文書化されていないため、そのようなアトラスは難しいです。 モデルリポジトリの隠れた可能性を探るため、Hugging Faceの文書化された部分を表す予備アトラスをグラフ化した。 モデルランドスケープと進化の素晴らしい視覚化を提供する。 モデル属性(例えば精度)の予測や,コンピュータビジョンモデルにおけるトレンドの分析など,このアトラスのいくつかの応用を実証する。 しかし、現在のアトラスは未完成であるため、未文書領域をチャート化する方法を提案する。 具体的には、支配的な実世界のモデルトレーニングプラクティスに基づいて、高い信頼度を持つ構造的事前を識別する。 これらの先行情報を活用することで,従来文書化されていなかったアトラス領域の正確なマッピングが可能になる。 データセット、コード、インタラクティブなアトラスを公開しています。

関連論文リスト

• Data-efficient Large Vision Models through Sequential Autoregression [58.26179273091461]
  限られたデータセットに基づいて,効率的な自己回帰に基づく視覚モデルを構築する。 このモデルは,高レベル・低レベルのセマンティック理解の両方にまたがる視覚的タスクにおいて,その習熟度をいかに達成するかを実証する。 我々の経験的評価は、モデルが様々なタスクに適応する際の機敏さを強調し、パラメータフットプリントの大幅な削減を図った。
  論文  参考訳（メタデータ） (2024-02-07T13:41:53Z)
• OpenGDA: Graph Domain Adaptation Benchmark for Cross-network Learning [42.48479966907126]
  OpenGDAはグラフ領域適応モデルを評価するためのベンチマークである。 さまざまなタスクに対して、豊富な事前処理と統合されたデータセットを提供する。 最先端のモデルと標準化されたパイプラインとエンドツーエンドのパイプラインを統合する。
  論文  参考訳（メタデータ） (2023-07-21T04:11:43Z)
• Graph Few-shot Class-incremental Learning [25.94168397283495]
  新しいクラスを段階的に学習する能力は、すべての現実世界の人工知能システムにとって不可欠である。 本稿では,グラフFCL(Graph Few-shot Class-incremental)問題について検討する。 基本クラスから繰り返しタスクをサンプリングすることでグラフ擬似インクリメンタルラーニングパラダイムを提案する。 本稿では,タスクレベルの注意とノードクラスのプロトタイプから計算したタスク依存型正規化器について述べる。
  論文  参考訳（メタデータ） (2021-12-23T19:46:07Z)
• Dataset Cartography: Mapping and Diagnosing Datasets with Training Dynamics [118.75207687144817]
  我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。 私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。 以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-09-22T20:19:41Z)
• Hidden Footprints: Learning Contextual Walkability from 3D Human Trails [70.01257397390361]
  現在のデータセットは、人々がどこにいるか、どこにいるかを教えてくれません。 まず、画像間で人の観察を伝播させ、3D情報を利用して、私たちが「隠れ足跡」と呼ぶものを作成することで、有効なラベル付き歩行可能領域の集合を拡大する。 このようなスパースラベルのために設計されたトレーニング戦略を考案し、クラスバランスの分類損失と文脈逆転損失を組み合わせた。
  論文  参考訳（メタデータ） (2020-08-19T23:19:08Z)
• Model Generalization in Deep Learning Applications for Land Cover Mapping [19.570391828806567]
  深層学習モデルが特定の大陸/シリーズのデータに基づいて訓練される場合,サンプル外大陸/シリーズのモデル性能に高いばらつきがあることが示される。 これは、モデルがひとつの大陸や季節における土地利用クラスを正確に予測するからといって、異なる大陸や季節における土地利用クラスを正確に予測するという意味ではないことを示唆している。
  論文  参考訳（メタデータ） (2020-08-09T01:50:52Z)
• Explanation-Guided Training for Cross-Domain Few-Shot Classification [96.12873073444091]
  クロスドメイン・ショット分類タスク(CD-FSC)は、データセットで表されるドメインをまたいで一般化する要件と、少数ショット分類を組み合わせたものである。 既存のFSCモデルに対する新しいトレーニング手法を提案する。 説明誘導学習はモデル一般化を効果的に改善することを示す。
  論文  参考訳（メタデータ） (2020-07-17T07:28:08Z)
• $n$-Reference Transfer Learning for Saliency Prediction [73.17061116358036]
  本稿では,サリエンシ予測のための数発のトランスファー学習パラダイムを提案する。 提案するフレームワークは勾配ベースでモデルに依存しない。 その結果,提案フレームワークは大幅な性能向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2020-07-09T23:20:44Z)
• MapLUR: Exploring a new Paradigm for Estimating Air Pollution using Deep Learning on Map Images [4.7791671364702575]
  土地利用回帰モデルは, 計測ステーションのない地域での大気汚染濃度を評価する上で重要である。 我々は,オープンかつグローバルなデータのみを用いて,純粋にデータ駆動型アプローチに基づくモデルを実現する,データ駆動型オープングローバル(DOG)パラダイムを提案する。
  論文  参考訳（メタデータ） (2020-02-18T11:21:55Z)

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。