論文の概要: Understanding How Humans Inject Knowledge into Machine Learning Workflows through Visual Analytics

• arxiv url: http://arxiv.org/abs/2607.00969v1
• Date: Wed, 01 Jul 2026 14:04:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.92794
• Title: Understanding How Humans Inject Knowledge into Machine Learning Workflows through Visual Analytics
• Title（参考訳）: ビジュアル分析を通して機械学習ワークフローに人間が知識を注入する方法を理解する
• Abstract要約: 我々は200以上のVIS4ML論文を調査し、人間が機械学習にどのように知識を注入するかを理解した。 我々は,MLの特徴,インタラクション,インタラクション,アクションという4つの観点から,文学研究を促進するためのコーディング手法を開発した。 解析に基づいて、概念モデルを用いてVIS4MLの現象を説明する。
• 参考スコア（独自算出の注目度）: 3.6982321787744765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual analytics (VA) plays an increasingly important role in supporting machine learning (ML) workflows. In the field of visualization, such approaches and techniques are referred to as VIS4ML. While ML models are mostly learned automatically, the corresponding ML workflows receive a variety of human inputs, such as data labelling, feature engineering, model architecture designing, hyper-parameter tuning, and so on. In this work, we surveyed over 200 VIS4ML papers to gain an understanding of how humans inject their knowledge into ML workflows through interactive visualization. We collected a corpus of VIS4ML papers from the IEEE VIS conferences in the past decade. We developed a coding scheme to facilitate the literature research from four perspectives: characteristics of ML, visualization, interaction, and actions. The analysis of the coded dataset allows us to observe different pathways that transfer human knowledge to ML workflows via interactive visualization. Building on the analysis, we explain the phenomena of VIS4ML using the conceptual model that views VA as model building and the information-theoretic cost-benefit analysis that reasons VA as for optimizing ML workflows. This work provides unequivocal evidence showing the merits of using VA in ML workflows. The full list of surveyed papers, along with all analysis results and figures, is available at https://vis4ml4hd.github.io/ml-knowledge-inject-va/.
• Abstract（参考訳）: ビジュアル分析(VA)は、機械学習(ML)ワークフローをサポートする上で、ますます重要な役割を果たす。 視覚化の分野では、このようなアプローチとテクニックをVIS4MLと呼ぶ。 MLモデルは大部分が自動で学習されるが、対応するMLワークフローは、データラベリング、機能エンジニアリング、モデルアーキテクチャ設計、ハイパーパラメータチューニングなど、さまざまな人間の入力を受け取る。 本研究では200以上のVIS4ML論文を調査し,インタラクティブな可視化を通じて,人間の知識をMLワークフローに注入する方法の理解を得た。 私たちは過去10年間にIEEE VISカンファレンスからVIS4ML論文のコーパスを収集しました。 我々は,MLの特徴,可視化,インタラクション,行動という4つの視点から文学研究を促進するためのコーディング手法を開発した。 コード化されたデータセットの分析により、インタラクティブな可視化を通じて、人間の知識をMLワークフローに転送するさまざまな経路を観察できる。 この分析に基づいて、VAをモデル構築と見なす概念モデルと、VAを機械学習ワークフローの最適化に用いた情報理論的コスト対効果分析を用いて、VIS4MLの現象を説明する。 この研究は、MLワークフローでVAを使用することのメリットを示す明白な証拠を提供する。 調査対象の論文の全リストと分析結果と数字はhttps://vis4ml4hd.github.io/ml-knowledge-inject-va/で公開されている。

関連論文リスト

• DeepCAVE: A Visualization and Analysis Tool for Automated Machine Learning [71.68388452009194]
  インタラクティブな可視化と分析のためのツールであるDeepCAVEを紹介し,HPOに関する知見を提供する。 インタラクティブなダッシュボードを通じて、研究者、データサイエンティスト、MLエンジニアはHPOプロセスのさまざまな側面を探索することができる。 DeepCAVEはHPOとMLの設計レベルでの解釈可能性に貢献し、将来より堅牢で効率的な方法論の開発を促進することを目指している。
  論文  参考訳（メタデータ） (2025-12-01T15:45:30Z)
• Are They the Same? Exploring Visual Correspondence Shortcomings of Multimodal LLMs [42.57007182613632]
  我々は,30種類のマルチモーダル大言語モデル (MLLM) に対して,相当なベンチマークを行うベンチマークを構築した。 私たちの知る限り、MLLMコミュニティにとってこれが初めての視覚対応データセットとベンチマークです。 CoLVA-InternVL2-4Bは、GPT-4oと最高のオープンソースMLLMであるQwen2VL-72Bをそれぞれ7.15%、OAは11.72%、MMVMベンチマークで49.80%の精度(OA)を達成した。
  論文  参考訳（メタデータ） (2025-01-08T18:30:53Z)
• Elevating Visual Perception in Multimodal LLMs with Visual Embedding Distillation [109.5893580175657]
  近年,MLLMの開発における標準的な実践は,視覚エンコーダの機能をLLMに供給し,自然言語による指導を施すことである。 このアプローチは、しばしばモデルが言語理解に傾き、データに存在するリッチな視覚知覚信号を損なう。 本稿では,視覚知識をエキスパートビジョンエンコーダからLLMの隠れ表現に注入する最初のアプローチであるVisPer-LMを提案する。
  論文  参考訳（メタデータ） (2024-12-12T18:55:18Z)
• Distill Visual Chart Reasoning Ability from LLMs to MLLMs [64.32993770646165]
  マルチモーダル大言語モデル(MLLM)における複雑なチャートQ&Aタスクの解決には高度な視覚的推論能力が必要である 我々は,LLMからMLLMへの視覚的推論能力を蒸留するための費用効率,効率,スケーラブルなデータ合成手法であるCode-as-Intermediary Translation (CIT)を提案する。 ReachQAは、MLLMの認識と推論能力を高めるために、3kの推論集約チャートと20kのQ&Aペアを含むデータセットである。
  論文  参考訳（メタデータ） (2024-10-24T14:50:42Z)
• iGAiVA: Integrated Generative AI and Visual Analytics in a Machine Learning Workflow for Text Classification [2.0094862015890245]
  視覚分析(VA)を用いて,大規模言語モデルを用いた合成データの生成を誘導する手法を提案する。 本稿では,データ不足の種別について論じ,その識別を支援するVA技術について述べるとともに,対象データ合成の有効性を実証する。
  論文  参考訳（メタデータ） (2024-09-24T08:19:45Z)
• AvaTaR: Optimizing LLM Agents for Tool Usage via Contrastive Reasoning [93.96463520716759]
  大規模言語モデル(LLM)エージェントは、精度と幻覚を高めるために外部ツールと知識を活用する際、印象的な能力を示した。 本稿では、LLMエージェントを最適化して提供されたツールを効果的に活用し、与えられたタスクのパフォーマンスを向上させる新しい自動化フレームワークであるAvaTaRを紹介する。
  論文  参考訳（メタデータ） (2024-06-17T04:20:02Z)
• The All-Seeing Project V2: Towards General Relation Comprehension of the Open World [58.40101895719467]
  本稿では,画像のオブジェクト関係を理解するために設計された新しいモデルとデータセットであるAll-Seeing Project V2を紹介する。 本稿では,テキスト生成,オブジェクトローカライゼーション,関係理解の定式化を関係会話タスクに統合するAll-Seeing Model V2を提案する。 我々のモデルは、画像内の全ての物体を知覚・認識するだけでなく、それらの間の複雑な関係グラフの把握にも優れている。
  論文  参考訳（メタデータ） (2024-02-29T18:59:17Z)
• Towards Automatic Translation of Machine Learning Visual Insights to Analytical Assertions [23.535630175567146]
  機械学習(ML)の可視化で観察される視覚特性をPythonアサーションに変換する自動化ツールを開発するためのビジョンを提示する。 このツールは、ML開発サイクルでこれらの視覚化を手作業で検証するプロセスの合理化を目的としている。
  論文  参考訳（メタデータ） (2024-01-15T14:11:59Z)
• Visual Analytics For Machine Learning: A Data Perspective Survey [17.19676876329529]
  この調査は、データの観点からVIS4MLの作業を要約することに焦点を当てている。 MLモデルで処理される共通データを5つのタイプに分類し、各タイプのユニークな特徴を説明し、それらから学習できる対応するMLモデルを強調する。 第2に、多数のVIS4ML作業から、MLパイプラインのさまざまな段階でこの種のデータを操作する6つのタスクをティースして、MLモデルを理解し、診断し、洗練します。
  論文  参考訳（メタデータ） (2023-07-15T05:13:06Z)
• Towards Perspective-Based Specification of Machine Learning-Enabled Systems [1.3406258114080236]
  本稿では、ML対応システムを特定するための視点に基づくアプローチに向けた取り組みについて述べる。 このアプローチでは、目標、ユーザエクスペリエンス、インフラストラクチャ、モデル、データという5つの視点にグループ化された45のML関心事のセットを分析する。 本論文の主な貢献は、ML対応システムを特定するのに役立つ2つの新しいアーティファクトを提供することである。
  論文  参考訳（メタデータ） (2022-06-20T13:09:23Z)
• Visual Transformer for Task-aware Active Learning [49.903358393660724]
  プールベースのアクティブラーニングのための新しいパイプラインを提案する。 提案手法は,学習中に使用可能なアンラベリング例を利用して,ラベル付き例との相関関係を推定する。 ビジュアルトランスフォーマーは、ラベル付き例と非ラベル付き例の間の非ローカルビジュアル概念依存性をモデル化する。
  論文  参考訳（メタデータ） (2021-06-07T17:13:59Z)

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。