論文の概要: Assessing feature scorer results on high-dimensional datasets with t-SNE

• arxiv url: http://arxiv.org/abs/2610.39009v1
• Date: Wed, 28 Oct 2026 22:40:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.429491
• Title: Assessing feature scorer results on high-dimensional datasets with t-SNE
• Title（参考訳）: t-SNEを用いた高次元データセットにおける特徴スコアリング結果の評価
• Abstract要約: 重み付きt-SNE」は、特徴スコアラによって評価された元のデータセットの各次元の重要性を反映するために、埋め込み2次元空間におけるデータポイント間の関係を変更する。 本研究は、重み付きt-SNEの実装方法について論じ、結果の数値評価としてシルエット係数を提案し、実例をいくつか示す。
• 参考スコア（独自算出の注目度）: 4.014524824655106
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: While vast literature on high-dimensional data visualization is available, there are not many works regarding the visualization of feature scorers and their results. Feature scorers are algorithms that assign numerical importance to each feature of multi-dimensional datasets. These importance scores can be used in several applications, such as feature selection, knowledge discovery, and machine learning interpretability. There are several feature scorers to choose from, and often no single metric or ground truth is available to guarantee the quality of their results. In this scenario, visualization can become valuable to support the decision of which method to choose and how good its results are. For this goal, this work presents "weighted t-SNE." It modifies the relationship between data points in the embedded 2D space to reflect the importance of each dimension of the original datasets as assessed by a feature scorer. This research discusses how to implement weighted t-SNE, proposes the silhouette coefficient as a numerical evaluation of the results, and shows several examples of its use in practice. Synthetic and real-world tabular datasets are used in the experiments together with nine feature scorers, ranging from Mutual Information to neural networks. Each feature scorer produces unique visualizations, and weighted t-SNE can be used to compare and choose the one that better suits a given dataset and task. Weighted t-SNE can also visually show the importance of features learned by machine learning models and help us see how they are organizing the data, increasing their interpretability.
• Abstract（参考訳）: 高次元データビジュアライゼーションに関する膨大な文献が公開されているが、特徴スコアラーの可視化とその結果についてはあまり研究されていない。 特徴スコア(英: Feature scorer)とは、多次元データセットの各特徴に数値的重要性を割り当てるアルゴリズムである。 これらの重要度スコアは、特徴選択、知識発見、機械学習の解釈可能性など、いくつかのアプリケーションで使用することができる。 選択すべき機能スコアラーはいくつかあり、結果の品質を保証するために、単一のメトリックや基礎的な真実は存在しないことが多い。 このシナリオでは、どの方法を選ぶか、その結果がどの程度優れているかを決めるのに、視覚化が有用になる。 この目的のために、この作品は「重み付けされたt-SNE」を提示する。 組込み2次元空間におけるデータポイント間の関係を修正し、特徴スコアラによって評価されるように、元のデータセットの各次元の重要性を反映する。 本研究は、重み付きt-SNEの実装方法について論じ、結果の数値評価としてシルエット係数を提案し、実例をいくつか示す。 合成および実世界のグラフデータセットは、ミューチュアルインフォメーションからニューラルネットワークまで、9つの特徴スコアラーと共に実験で使用される。 各機能スコアラは独自の視覚化を生成し、重み付けされたt-SNEを使用して、与えられたデータセットとタスクに合ったものを比較し、選択することができる。 重み付けされたt-SNEは、マシンラーニングモデルによって学習された機能の重要性を視覚的に示し、データの整理方法の確認を支援し、解釈可能性を高めます。

関連論文リスト

• PUB: Plot Understanding Benchmark and Dataset for Evaluating Large Language Models on Synthetic Visual Data Interpretation [2.1184929769291294]
  本稿では,データ視覚化における大規模言語モデルの習熟度を評価するために設計された,新しい合成データセットを提案する。 我々のデータセットは、制御されたパラメータを使って生成され、潜在的な現実世界シナリオの包括的カバレッジが保証されます。 我々は、画像中の視覚データに関連する質問を多モーダルテキストプロンプトを用いて、いくつかの最先端モデルをベンチマークする。
  論文  参考訳（メタデータ） (2024-09-04T11:19:17Z)
• Curriculum Learning with Quality-Driven Data Selection [6.794629387975326]
  OpenAIのGPT-4は、MLLM(Multimodal Large Language Models)の開発に多大な関心を集めている。 画像とテキストの相関とモデルパープレクシリティを利用して、様々な品質のデータを評価し、選択する新しいデータ選択手法を提案する。
  論文  参考訳（メタデータ） (2024-06-27T07:20:36Z)
• Less is More: High-value Data Selection for Visual Instruction Tuning [127.38740043393527]
  本稿では,視覚的命令データの冗長性を排除し,トレーニングコストを削減するために,高価値なデータ選択手法TIVEを提案する。 約15%のデータしか使用していない我々のアプローチは、8つのベンチマークで全データ微調整モデルに匹敵する平均性能を実現することができる。
  論文  参考訳（メタデータ） (2024-03-14T16:47:25Z)
• DimVis: Interpreting Visual Clusters in Dimensionality Reduction With Explainable Boosting Machine [3.2748787252933442]
  DimVisは、DRプロジェクションの解釈アシスタントとして、教師付きExplainable Boosting Machine(EBM)モデルを使用するツールである。 本ツールは,視覚的クラスタにおける特徴関連性の解釈を提供することにより,高次元データ解析を容易にする。
  論文  参考訳（メタデータ） (2024-02-10T04:50:36Z)
• LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
  本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。 LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。 我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
  論文  参考訳（メタデータ） (2024-02-06T19:18:04Z)
• An Empirical Investigation of Commonsense Self-Supervision with Knowledge Graphs [67.23285413610243]
  大規模知識グラフから抽出した情報に基づく自己監督は、言語モデルの一般化を改善することが示されている。 本研究では,言語モデルに適用可能な合成データを生成するための知識サンプリング戦略とサイズの影響について検討する。
  論文  参考訳（メタデータ） (2022-05-21T19:49:04Z)

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。