論文の概要: Dimensionality Reduction Considered Harmful (Some of the Time)
- arxiv url: http://arxiv.org/abs/2512.18230v1
- Date: Sat, 20 Dec 2025 06:20:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-23 18:54:32.242016
- Title: Dimensionality Reduction Considered Harmful (Some of the Time)
- Title（参考訳）: ハーモフを考慮した次元低減(時間の一部)
- Authors: Hyeon Jeon,
- Abstract要約: この論文では、次元還元(DR)に着目して、視覚分析の信頼性を向上させる。
DR技術は2次元または3次元に減らして高次元データの視覚的分析を可能にするが、本質的には、視覚分析の信頼性を損なう可能性のあるエラーを導入する。
新たな評価指標,最適化戦略,インタラクション技術など,これらの課題に対処する技術的なソリューションを提案します。
- 参考スコア（独自算出の注目度）: 5.952786266337843
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Visual analytics now plays a central role in decision-making across diverse disciplines, but it can be unreliable: the knowledge or insights derived from the analysis may not accurately reflect the underlying data. In this dissertation, we improve the reliability of visual analytics with a focus on dimensionality reduction (DR). DR techniques enable visual analysis of high-dimensional data by reducing it to two or three dimensions, but they inherently introduce errors that can compromise the reliability of visual analytics. To this end, I investigate reliability challenges that practitioners face when using DR for visual analytics. Then, I propose technical solutions to address these challenges, including new evaluation metrics, optimization strategies, and interaction techniques. We conclude the thesis by discussing how our contributions lay the foundation for achieving more reliable visual analytics practices.
- Abstract（参考訳）: 視覚分析は、様々な分野にわたる意思決定において中心的な役割を担っているが、信頼できないことがある。
この論文では,次元還元(DR)に着目し,視覚分析の信頼性を向上させる。
DR技術は2次元または3次元に減らして高次元データの視覚的分析を可能にするが、本質的には、視覚分析の信頼性を損なう可能性のあるエラーを導入する。
そこで本稿では,DRを用いた視覚分析において,実践者が直面する信頼性の課題について検討する。
次に,新しい評価指標,最適化戦略,インタラクション技術など,これらの課題に対処する技術的な解決策を提案する。
我々は、私たちの貢献が、より信頼性の高いビジュアル分析の実践を実現するための基盤となっているかを議論することで、この論文を締めくくります。
関連論文リスト
- Navigating High-Dimensional Backstage: A Guide for Exploring Literature for the Reliable Use of Dimensionality Reduction [27.412379864395735]
本稿では,DRを用いた画像解析のための論文読解ガイドを提案する。
我々のガイドは、実践者が現在のDRの専門知識を評価し、理解を深める論文を特定するのに役立ちます。
DRとデータビジュアライゼーションの専門家3人とのインタビューでは,本ガイドの意義,包括性,有用性について検証した。
論文 参考訳（メタデータ） (2025-06-10T20:06:54Z) - Visual Exploration of Stopword Probabilities in Topic Models [1.9107347888374506]
停止語除去は多くの機械学習手法において重要な段階である。
不適切な選択または急いで省略された停止語は、最適以下の性能をもたらすだけでなく、モデルの品質にも大きな影響を及ぼす。
本稿では,停止語確率をコーパス固有確率で推定する新しい抽出法を提案する。
論文 参考訳（メタデータ） (2025-01-17T11:59:56Z) - See Further for Parameter Efficient Fine-tuning by Standing on the Shoulders of Decomposition [56.87609859444084]
パラメータ効率の細かいチューニング(PEFT)は、パラメータの選択したサブセットを最適化し、残りを固定し、計算とストレージのオーバーヘッドを大幅に削減することに焦点を当てている。
分解の観点からそれらを分離することで、すべてのアプローチを統一する第一歩を踏み出します。
本稿では,PEFT技術の性能向上を目的とした,単純かつ効果的なフレームワークとともに,新しい2つのPEFT手法を提案する。
論文 参考訳（メタデータ） (2024-07-07T15:44:42Z) - A Literature Review of Literature Reviews in Pattern Analysis and Machine Intelligence [51.26815896167173]
本稿では,3つの相補的な側面からPAMIレビューを総合的に分析する。
我々の分析は、現在のレビューの実践において、独特の組織パターンと永続的なギャップを明らかにします。
最後に、最先端のAI生成レビューの評価は、コヒーレンスと組織の進歩を奨励していることを示している。
論文 参考訳（メタデータ） (2024-02-20T11:28:50Z) - Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。
このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。
本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
論文 参考訳（メタデータ） (2024-02-07T21:58:40Z) - Understanding metric-related pitfalls in image analysis validation [59.15220116166561]
この研究は、画像解析におけるバリデーションメトリクスに関連する落とし穴に関する情報にアクセスするための、初めての包括的な共通点を提供する。
バイオメディカル画像解析に焦点をあてるが、他の分野へ移行する可能性があるため、対処された落とし穴はアプリケーションドメイン全体にわたって一般化され、新しく作成されたドメインに依存しない分類に分類される。
論文 参考訳（メタデータ） (2023-02-03T14:57:40Z) - An Interdisciplinary Perspective on Evaluation and Experimental Design
for Visual Text Analytics: Position Paper [24.586485898038312]
本稿では,視覚的テキスト分析手法の評価に焦点をあてる。
視覚テキスト分析手法を評価する上で,課題の4つの主要なグループを同定する。
論文 参考訳（メタデータ） (2022-09-23T11:47:37Z) - Explaining dimensionality reduction results using Shapley values [0.0]
次元還元(dr)技術は様々な応用において一貫して高次元データ分析をサポートする。
DR技法を解釈するために設計された現在の文献的アプローチは、低次元表現のみに焦点を当てたり、特徴間の関係を考慮しないため、特徴の寄与をうまく説明できない。
本稿では,これらの問題に対処するために,Shapley値を用いて次元削減手法の説明を生成し,クラスタ指向解析を用いてこれらのアルゴリズムを解釈する。
論文 参考訳（メタデータ） (2021-03-09T19:28:10Z)
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。