本文介绍了一种基于层次化视觉数据结构的图像分类方法，该方法利用层次聚类创建了可变长度的视觉树，从而更准确地进行分类。该方法在 ILSVRC2010 和 Caltech 256 基准数据集上获得了显著更好的分类准确率。

Sep, 2017

通过评分各个类别并选择得分最高的类别进行测试样本的分类，以此来分析分类器的行为并评估其可靠性。本文介绍了一种交互式可视化工具 ——Classilist，可方便地针对每个类别分析这些预测分数，将这些分数与分类正确性及底层样本和其特征相关联，展示不同分类器的不同行为。同时，Classilist 可通过该 https URL 在线使用，提供源代码、视频教程以及 R、RapidMiner 和 KNIME 的插件。

Nov, 2017

本文提出了一种基于成本矩阵和原型网络的层次分类方法，其通过在嵌入空间中排列类原型来表征层次结构，并在四个公共数据集上验证了该方法的效果。

Jul, 2020

本研究提出一种分层混淆矩阵的新概念，可用于评估包括有向无环图、多路径标记和非强制叶节点预测在内的所有类型分层分类问题，并将其应用于三个真实世界的分层分类应用的模型结果评估，其结果表明这种方法的合理性和对分层分类问题的评估的实用性。

Jun, 2023

当多个数据点有明确的判断结果的模型存在时，大多数模型可能表现出一种关系，即如果它们正确判断了一个目标，它们也会正确判断另一个目标。相反，如果大多数模型错误地判断了一个目标，它们也可能错误地判断另一个目标。我们提出了一种可视化目标之间层级关系的方法，这一信息有望对模型改进有益。

Nov, 2023

本文通过在二元数据上进行简单分类，以有效分类分层数据。在某些场景下，尤其是一些类别比其他类别容易辨别时，具有计算和准确性优势。

Jul, 2018

本文提出了一种叫做 LargeVis 的技术，旨在解决将大规模和高维数据可视化在低维空间的问题。与 t-SNE 相比，LargeVis 构建精确近似的 K 最近邻图的计算成本更低，并采用了一个原则上的概率模型来进行可视化，整个过程易于扩展到数百万个高维数据点。实验结果表明，LargeVis 在效率和效果方面均优于现有的先进方法。

Feb, 2016

研究发现，虽然深度分类的建筑变体很多，但是最近的工作发现它们的训练过程存在相似之处，而神经网络不仅收敛到类似的表示，还表现出一种先学习哪些数据实例的经验性一致性。本文提出了一种度量特征分类协议关系的度量标准，并指出，该一致性现象可以映射到研究数据集的核心统计数据。作者经实验证实了这个假说，并应用于 CIFAR10、Pascal、ImageNet 和 KTH-TIPS2 数据集，发现这种一致性似乎与特定的体系结构、训练超参数或标签无关，但是按图像统计排序。

May, 2021

本文提出利用区分维度约简的二维可视化方法将深度神经网络决策函数的一部分以及数据集的一部分可视化，从而检测模型对数据的不同属性（如异常值、对抗样本或毒瘤数据）的处理方式，该方法与现有文献中的解释方法互补，更有应用前景。

Sep, 2019

最近机器学习的进展激发了研究人员生成处理百个类别（如图像数据集）的分类模型，但是在可视化高数量类别的分类模型和分类问题中模型间比较这两个领域尚未得到足够的关注。本文介绍了我们的交互式可视分析工具 Circles，允许在一视图中对数百个带有 1K 类别的分类模型进行模型间比较，为了缓解视觉杂乱问题，我们选择了同心径向线布局用于模型间比较任务。我们的原型展示了 9 个带有 1K 类别的模型结果。

Sep, 2023