論文の概要: Automated Residual Plot Assessment With the R Package autovi and the Shiny Application autovi.web

• arxiv url: http://arxiv.org/abs/2606.24236v1
• Date: Tue, 23 Jun 2026 07:24:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.822021
• Title: Automated Residual Plot Assessment With the R Package autovi and the Shiny Application autovi.web
• Title（参考訳）: R Package autovi と Shiny Application autovi.web による残留プロットの自動評価
• Authors: Weihao Li, Dianne Cook, Emi Tanaka, Susan VanderPlas, Klaus Ackermann,
• Abstract要約: 本稿では,コンピュータビジョンモデルを用いて残差プロットの評価を自動化する新しいRパッケージを提案する。 残差のサンプルが与えられた場合、モデルは視覚信号強度(VSS)を予測し、モデル適合性を評価するための支援情報を提供する。
• 参考スコア（独自算出の注目度）: 2.4200957890594403
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual assessment of residual plots is a common approach for diagnosing linear models, but it relies on manual evaluation, which does not scale well and can lead to inconsistent decisions across analysts. The lineup protocol, which embeds the observed plot among null plots, can reduce subjectivity but requires even more human effort. In today's data-driven world, such tasks are well suited for automation. We present a new R package that uses a computer vision model to automate the evaluation of residual plots. An accompanying Shiny application is provided for ease of use. Given a sample of residuals, the model predicts a visual signal strength (VSS) and offers supporting information to help analysts assess model fit.
• Abstract（参考訳）: 残差プロットの視覚的評価は、線形モデルを診断する一般的なアプローチであるが、手動による評価に依存している。 観測されたプロットをヌルプロットに埋め込んだラインアッププロトコルは、主観性を低下させるが、さらに人間の努力を必要とする。 今日のデータ駆動の世界では、このようなタスクは自動化に適しています。 本稿では,コンピュータビジョンモデルを用いて残差プロットの評価を自動化する新しいRパッケージを提案する。 使用が容易なシニのアプリケーションも用意されている。 残差のサンプルが与えられた場合、モデルは視覚信号強度(VSS)を予測し、モデル適合性を評価するための支援情報を提供する。

関連論文リスト

• Retrieval Augmented Anomaly Detection (RAAD): Nimble Model Adjustment Without Retraining [3.037546128667634]
  Retrieval Augmented Anomaly Detectionは、Retrieval Augmented Generationからインスピレーションを得た新しい手法である。 人間の注釈付きサンプルはベクトルストアに送られ、モデル推論のために、非常に次の処理バッチでモデル出力を変更することができる。
  論文  参考訳（メタデータ） (2025-02-26T20:17:16Z)
• Regression for the Mean: Auto-Evaluation and Inference with Few Labels through Post-hoc Regression [4.813376208491175]
  Prediction Powered Inference (PPI)フレームワークは、大量の擬似ラベル付きデータと、実際の高品質なラベルを持つ小さなサンプルの両方を活用する方法を提供する。 ラベル付きデータが不足すると、PPI++メソッドは古典的推論よりもさらにパフォーマンスが良くなる。 本稿では, 頑健な回帰器を用いたPPIに基づく2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-19T17:17:46Z)
• Automated Assessment of Residual Plots with Computer Vision Models [5.835976576278297]
  浮動小数点残差は線形モデルの仮定から逸脱を診断するための推奨手順である。 残余プロットにおける構造の存在は、ビジュアル推論を行うためにラインアッププロトコルを用いて検証することができる。 本研究は,残余プロットの評価を自動化するコンピュータビジョンモデルを提供することで,その解を提示する。
  論文  参考訳（メタデータ） (2024-11-01T19:51:44Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Bring Your Own Data! Self-Supervised Evaluation for Large Language Models [52.15056231665816]
  大規模言語モデル(LLM)の自己教師型評価のためのフレームワークを提案する。 閉書知識,毒性,長期文脈依存性を測定するための自己指導型評価戦略を実証する。 自己監督評価と人監督評価との間には強い相関関係が認められた。
  論文  参考訳（メタデータ） (2023-06-23T17:59:09Z)
• Autoencoder Attractors for Uncertainty Estimation [13.618797548020462]
  本稿では,オートエンコーダモデルに基づく不確実性推定手法を提案する。 提案手法は,車室内における占有者分類の産業的応用だけでなく,いくつかのデータセットの組み合わせについても検討した。
  論文  参考訳（メタデータ） (2022-04-01T12:10:06Z)
• AI Total: Analyzing Security ML Models with Imperfect Data in Production [2.629585075202626]
  新しい機械学習モデルの開発は通常、手動でキュレートされたデータセット上で行われる。 本研究では,ユーザによるヘッドライン性能数値の収集を可能にするWebベースの可視化システムを開発した。 また,何か問題が発生した場合に,問題の根本原因を即座に観察することも可能だ。
  論文  参考訳（メタデータ） (2021-10-13T20:56:05Z)
• Probing Model Signal-Awareness via Prediction-Preserving Input Minimization [67.62847721118142]
  モデルが正しい脆弱性信号を捕捉して予測する能力を評価する。 SAR(Signal-Aware Recall)と呼ばれる新しい指標を用いて,モデルの信号認識を計測する。 その結果,90年代以降のリコールから60年代以降のリコールは,新たな指標で大幅に減少した。
  論文  参考訳（メタデータ） (2020-11-25T20:05:23Z)

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。