論文の概要: Embedding Atlas: Low-Friction, Interactive Embedding Visualization

• arxiv url: http://arxiv.org/abs/2505.06386v1
• Date: Fri, 09 May 2025 19:15:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.820894
• Title: Embedding Atlas: Low-Friction, Interactive Embedding Visualization
• Title（参考訳）: 埋め込み Atlas: 低摩擦でインタラクティブな埋め込み可視化
• Authors: Donghao Ren, Fred Hohman, Halden Lin, Dominik Moritz,
• Abstract要約: Embedding Atlasはスケーラブルでインタラクティブな視覚化ツールで、大きな埋め込みとの対話を可能な限り簡単にするためのものだ。 我々は、他の一般的な埋め込みツールと競合する分析で、Embedding Atlasを評価した。
• 参考スコア（独自算出の注目度）: 17.326441703730747
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Embedding projections are popular for visualizing large datasets and models. However, people often encounter "friction" when using embedding visualization tools: (1) barriers to adoption, e.g., tedious data wrangling and loading, scalability limits, no integration of results into existing workflows, and (2) limitations in possible analyses, without integration with external tools to additionally show coordinated views of metadata. In this paper, we present Embedding Atlas, a scalable, interactive visualization tool designed to make interacting with large embeddings as easy as possible. Embedding Atlas uses modern web technologies and advanced algorithms -- including density-based clustering, and automated labeling -- to provide a fast and rich data analysis experience at scale. We evaluate Embedding Atlas with a competitive analysis against other popular embedding tools, showing that Embedding Atlas's feature set specifically helps reduce friction, and report a benchmark on its real-time rendering performance with millions of points. Embedding Atlas is available as open source to support future work in embedding-based analysis.
• Abstract（参考訳）: 埋め込みプロジェクションは、大規模なデータセットやモデルを視覚化するのに人気がある。 しかし、埋め込み視覚化ツールを使用する場合、人々はしばしば“フリクション”に遭遇する: (1) 採用の障壁、例えば、面倒なデータラングリングとロード、スケーラビリティの制限、既存のワークフローへの結果の統合、(2) メタデータの調整されたビューを付加する外部ツールとの統合なしに、分析可能な制限。 本稿では,大規模埋め込みとの対話を可能な限り容易にするための,スケーラブルでインタラクティブな可視化ツールである Embedding Atlas を紹介する。 Embedding Atlasは、密度ベースのクラスタリングや自動ラベリングなど、最新のWebテクノロジと高度なアルゴリズムを使用して、高速でリッチなデータ分析エクスペリエンスを大規模に提供する。 我々は、他の一般的な埋め込みツールと競合する分析でEmbedding Atlasを評価し、Atlasの機能セットが特に摩擦を軽減することを示し、数百万ポイントのリアルタイムレンダリングパフォーマンスに関するベンチマークを報告した。 埋め込みベースの分析における今後の作業をサポートするオープンソースとして、Embedding Atlasが利用可能だ。

関連論文リスト

• Granite Vision: a lightweight, open-source multimodal model for enterprise Intelligence [88.74800617923083]
  視覚機能を備えた軽量な大規模言語モデルであるGranite Visionを紹介した。 我々のモデルは、包括的な命令追従データセットに基づいて訓練されている。 Granite Visionは、ビジュアル文書理解に関連する標準ベンチマークで強力な結果を得る。
  論文  参考訳（メタデータ） (2025-02-14T05:36:32Z)
• Cloud Atlas: Efficient Fault Localization for Cloud Systems using Language Models and Causal Insight [12.272468397322738]
  我々は、クラウドシステムのための因果グラフを自動的に合成する新しいアプローチであるAtlasを提示する。 我々はAtlasをさまざまな障害局所化シナリオで評価し、Atlasがスケーラブルで一般化可能な方法で因果グラフを生成することができることを示す。
  論文  参考訳（メタデータ） (2024-07-11T17:31:12Z)
• EmbeddingTree: Hierarchical Exploration of Entity Features in Embedding [26.95676543794246]
  この研究は階層的な埋め込み探索アルゴリズムである EmbeddingTree を提案する。 EmbeddingTreeをベースとしたインタラクティブな可視化ツールも開発されている。 業界規模の商業データと30Musicリスニング/プレイリストデータセットに対して生成された埋め込みによって, EmbeddingTreeと可視化ツールの有効性を実証した。
  論文  参考訳（メタデータ） (2023-08-02T17:22:13Z)
• Contrastive Lift: 3D Object Instance Segmentation by Slow-Fast Contrastive Fusion [110.84357383258818]
  本稿では,2次元セグメントを3次元に上げ,ニューラルネットワーク表現を用いて融合させる新しい手法を提案する。 このアプローチの中核は、高速なクラスタリング目的関数であり、多数のオブジェクトを持つシーンにスケーラブルで適しています。 我々のアプローチは、ScanNet、Hypersim、Replicaのデータセットからの挑戦的なシーンにおいて、最先端の状況よりも優れています。
  論文  参考訳（メタデータ） (2023-06-07T17:57:45Z)
• Modeling Entities as Semantic Points for Visual Information Extraction in the Wild [55.91783742370978]
  文書画像から鍵情報を正確かつ堅牢に抽出する手法を提案する。 我々は、エンティティを意味的ポイントとして明示的にモデル化する。つまり、エンティティの中心点は、異なるエンティティの属性と関係を記述する意味情報によって豊かになる。 提案手法は,従来の最先端モデルと比較して,エンティティラベルとリンクの性能を著しく向上させることができる。
  論文  参考訳（メタデータ） (2023-03-23T08:21:16Z)
• S$^2$Contact: Graph-based Network for 3D Hand-Object Contact Estimation with Semi-Supervised Learning [70.72037296392642]
  モノクロ画像から接触を学習できる新しい半教師付きフレームワークを提案する。 具体的には、大規模データセットにおける視覚的および幾何学的整合性制約を利用して擬似ラベルを生成する。 より正確な再構築を行うために手動インタラクションを規定するコンタクトマップを使用することの利点を示す。
  論文  参考訳（メタデータ） (2022-08-01T14:05:23Z)
• Tiny Object Tracking: A Large-scale Dataset and A Baseline [40.93697515531104]
  大規模なビデオデータセットを作成し、合計217Kフレームの434のシーケンスを含む。 データ作成において、幅広い視点とシーンの複雑さをカバーするため、12の課題属性を考慮に入れます。 統合されたフレームワークで3段階の知識蒸留を行うMKDNet(Multilevel Knowledge Distillation Network)を提案する。
  論文  参考訳（メタデータ） (2022-02-11T15:00:32Z)
• Attribute-based Explanations of Non-Linear Embeddings of High-Dimensional Data [2.397739143553337]
  NoLiES(Non-linear Embeddings Surveyor)は、投影されたデータ(レンジセット)に対する新しい拡張戦略と、小さな多重環境でのインタラクティブな分析を組み合わせたものである。 Rangesetsはバイナリ属性値に対して,セットベースの視覚化アプローチを使用する。
  論文  参考訳（メタデータ） (2021-07-28T12:09:29Z)

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。