論文の概要: ImputeViz: A Visual Analytics Dashboard for Diagnosing Missing Data and Comparing Imputation Methods
- arxiv url: http://arxiv.org/abs/2607.08579v1
- Date: Thu, 09 Jul 2026 15:14:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.576221
- Title: ImputeViz: A Visual Analytics Dashboard for Diagnosing Missing Data and Comparing Imputation Methods
- Title（参考訳）: ImputeViz: ミスデータの診断とインプット法の比較のためのビジュアルアナリティクスダッシュボード
- Authors: Aitik Dandapat, Lalith Punepalle Raveendrareddy, Mithilesh Kumar Singh, Klaus Mueller,
- Abstract要約: ImputeVizは、欠如の診断、インプットモデルの設定、結果の評価をサポートする統合ビジュアル分析ダッシュボードである。
このシステムは、MICE、Random Forest、XGBoost、kNNなど、広く使われている手法をインタラクティブな環境で組み合わせ、欠陥パターンを明確にする。
- 参考スコア（独自算出の注目度）: 13.239788116433237
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Missing data is a persistent obstacle in scientific, social science, and public health research, often biasing analyses and placing accountability on analysts for how they handle missing values. We introduce ImputeViz, an integrated visual analytics dashboard that supports diagnosing missingness, configuring imputation models, and evaluating results. The system brings together widely used methods, including MICE, Random Forest, XGBoost, and kNN, within an interactive environment that makes missingness patterns explicit. To support geospatial reasoning, we introduce gKNN, a geographically informed kNN variant that blends socioeconomic and spatial distances and exposes donor contributions, enabling provenance-based visual accountability by showing which regions drive each estimate. Our primary contribution is a method-agnostic visual analytics environment that makes cross-method comparison a first-class visual task and integrates gKNN alongside standard methods. Coordinated views reveal missingness structure through heatmaps, co-missingness summaries, and distributional diagnostics that help analysts reason about missingness patterns (MCAR/MAR) and cases where missingness may be non-random (MNAR). Users can compare and tune models and interrogate results via distributional overlays, a Method Comparison Summary reporting MAE, RMSE, Delta RMSE, and runtime for each algorithm on the current target and mask, along with variable-level discrepancy views. Cached per-method results and locked axis scales reduce cognitive overhead from shifting ranges during method switching. These comparisons highlight where methods disagree, which variables are sensitive, and how imputation choices affect downstream summaries. Case studies demonstrate how ImputeViz helps analysts select effective strategies, surface sensitive variables, and assess model robustness.
- Abstract（参考訳）: データ不足は、科学、社会科学、公衆衛生研究において永続的な障害であり、しばしば分析を偏見し、欠落した価値の扱いについてアナリストに説明責任を置く。
視覚分析ダッシュボードであるImputeVizを導入し、欠損の診断、インキュベーションモデルの設定、結果の評価をサポートする。
このシステムは、MICE、Random Forest、XGBoost、kNNなど、広く使われている手法をインタラクティブな環境で組み合わせ、欠陥パターンを明確にする。
地理空間的推論を支援するため,社会経済的距離と空間的距離をブレンドし,ドナーの貢献を公開し,各推定をどの領域が駆動するかを示すことで,創発的な視覚的説明責任を実現する,地理情報に基づくkNN変種であるgKNNを導入する。
我々の主な貢献は、メソッドに依存しない視覚分析環境であり、クロスメソッド比較を第1級視覚課題とし、標準手法とともにgKNNを統合する。
コーディネートされたビューは、ヒートマップ、コミスネスサマリー、そして、アナリストが欠損パターン(MCAR/MAR)と不足が非ランダム(MNAR)となるケースを推論するのに役立つ分布診断を通して、不足構造を明らかにする。
ユーザは、分散オーバーレイ、MAE、RMSE、Delta RMSE、ランタイムを現在のターゲットとマスク上の各アルゴリズムに対して報告するメソッド比較概要、変数レベルの不一致ビューを通じてモデルを比較、チューニングし、結果を問うことができる。
Cached per-methodの結果とロック軸のスケールは、メソッド切替時のシフト範囲からの認知的オーバーヘッドを減少させる。
これらの比較は、どのメソッドが不一致なのか、どの変数が敏感であるか、命令の選択が下流の要約にどのように影響するかを強調している。
ケーススタディでは、ImputeVizが、アナリストが効果的な戦略の選択、表面感受性変数、モデルロバスト性を評価するのにどのように役立つかを実証している。
関連論文リスト
- MorphoHELM: A Comprehensive Benchmark for Evaluating Representations for Microscopy-Based Morphology Assays [1.7746334846403646]
セルペイントのための特徴抽出手法を評価するための総合的なベンチマークであるMorphoHELMを紹介する。
MorphoHELMは分野での評価基準を統一し、それらを拡張し、より堅牢に修正する。
ベンチマークの明確な特徴は、各タスクが異なるバッチ効果で評価されることである。
論文 参考訳（メタデータ） (2026-05-14T20:13:36Z) - NeuroTrace: Inference Provenance-Based Detection of Adversarial Examples [1.096626056612224]
Inference Provenance Graphs (IPGs) を用いた推論前駆体分析フレームワークであるNeuroTraceを紹介する。
IPGは、モデルの前方通過中にアクティベーション動作とパラメータ誘起データフローの両方をキャプチャする異種グラフである。
攻撃中, マルチアタック, クロススリート転送設定下での逆例検出のためのIPGベース検出器の評価を行った。
論文 参考訳（メタデータ） (2026-04-15T22:23:40Z) - RISE: Interactive Visual Diagnosis of Fairness in Machine Learning Models [3.409008933025072]
textitRISE(Residual Inspection through Sorted Evaluation)は,分類された残基を解釈可能なパターンに変換するインタラクティブな可視化ツールである。
残留曲線構造を形式的公正性の概念に結合することにより、RISEは局所的な不均一性診断、環境間の部分群比較、隠された公正性問題の検出を可能にする。
論文 参考訳（メタデータ） (2026-02-04T09:01:21Z) - Debugging and Runtime Analysis of Neural Networks with VLMs (A Case Study) [20.420310876464924]
視覚モデルにおける故障局所化のための意味的ヒートマップの有用性を示す。
本稿では,実行時の欠陥を検出しフィルタする軽量なランタイム解析を提案する。
論文 参考訳（メタデータ） (2025-03-21T01:12:57Z) - Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。
既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。
本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
論文 参考訳（メタデータ） (2025-02-12T04:07:12Z) - An AI-Guided Data Centric Strategy to Detect and Mitigate Biases in
Healthcare Datasets [32.25265709333831]
我々は、小さなサンプルサイズ(AEquity)で異なるグループをいかに容易に学習するかを調査することによって、データセットバイアスを評価するために、データ中心、モデルに依存しないタスク非依存のアプローチを生成する。
次に、サブポピュレーション全体にわたるAEq値の体系的分析を適用し、医療における2つの既知の事例において、人種的偏見の特定と顕在化を図った。
AEqは、医療データセットのバイアスを診断し、修正することで、エクイティの前進に適用できる、新しく広く適用可能なメトリクスである。
論文 参考訳（メタデータ） (2023-11-06T17:08:41Z) - DCID: Deep Canonical Information Decomposition [84.59396326810085]
本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。
そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。
また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
論文 参考訳（メタデータ） (2023-06-27T16:59:06Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳（メタデータ） (2022-03-29T04:54:06Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。
提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。
分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
論文 参考訳（メタデータ） (2020-11-13T10:53:27Z)
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。