May, 2023

2维无损可视化空间中的高维可理解学习

HTML
PDF
TL;DR本研究探讨了在二维可视化空间（2-D ML）中使用非损失通用线坐标的视觉知识发现来进行机器学习分类任务的新方法。研究表明，这是一种完整的机器学习方法，不需要在抽象的n维空间中处理n维数据。利用二维中n维数据的图像表征，可以在二维空间中发现n-D模式而不会丢失n-D信息。具体而言，本研究显示了如何使用不同的In-line Based Coordinates进行分类和回归，并展示了两个基于基准数据集（威斯康星州乳腺癌和页面块分类数据集）的案例研究。最后，本研究基于页面块分类数据的特点，开发了一种利用决策树作为模型设计辅助工具的算法，可应用于处理高分辨率多类不平衡数据。该方法加速了一个新兴领域（完整的2-D机器学习和其方法论）的发展，并为最终用户提供了模型自助发现和解释的可能性
发现论文，激发创造
  • 可视化大规模高维数据

    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

  • DeepView: 使用判别性降维将深度神经网络分类边界可视化为散点图

    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

  • 降维的本地解释

    介绍一种称为LXDR的技术，可以为DR技术的输出提供本地解释，以解决DR技术通常难以解释的问题，并通过实验结果和两个LXDR使用案例来评估其实用性。

    Apr, 2022

  • DendroMap: 用Treemaps进行机器学习的大规模图像数据集的可视化探索

    本文提出了DendroMap这一新方法，可以有效地组织和交互式地探索大规模图像数据集，通过提取高维图像的层次聚类结构，用户可以在不同的抽象层级上对数据集进行总体分布的检查和兴趣区域的交互式缩放以及透视。研究结果表明，DendroMap可以帮助用户发现数据集和训练模型方面的见解，其效果优于t-SNE格子化版本，DendroMap已经在网站上提供。

    May, 2022

  • 通用线坐标下的视觉知识发现

    通过基于不同形式的无损通用线坐标的视觉知识发现方法，本文提出了一种新的方法来生成，解释和可视化非线性分类器。该方法可以在提高解释性和准确性的同时与其他常见的计算机算法相竞争，并且可以从超块中构建准确且高度可解释的模型和规则。

    May, 2023

  • 可解释建模的完整可视化交互式决策树构建和拓展

    本研究提出了两种新方法，即Bended Coordinates和Shifted Paired Coordinates，用于更完整地可视化可理解的决策树模型，并扩展和补充了现有方法的能力。这些方法可以观察和分析属性之间的关系、每个决策点的敏感性以及n-D空间中案例的密度等特征，这对于决策树模型的性能评估和改进至关重要。

    May, 2023

  • 用平行坐标轴发现可解释的机器学习模型

    通过并行坐标系中的视觉知识发现，使用混合和纯超块（HB），以及建议在超算法中使用混合和纯超块，利用UCI ML库的基准数据评估结果，建立超块、降维和可视化之间的连接，并提出了一种新的方法来可视化具有缺失值的不完整n-D数据。

    May, 2023

  • 可解释的分类和混合数据机器学习及无损可视化

    本文主要研究了混合数据问题在机器学习中的应用，提出了可解释机器学习模型、数值编码方案、无损可视化以及顺序规则生成算法，以支持高准确性和可解释性的机器学习模型。

    May, 2023

  • 流形学习：是什么，怎么做，为什么

    Manifold learning is a set of methods to find the low dimensional structure of data, allowing visualization, de-noising, and interpretation, with a focus on statistical foundations and parameter choices.

    Nov, 2023

  • 3D中的通用线坐标

    这篇论文研究了在无损3D可视化中的可解释的交互式视觉模式发现，可以帮助非数据科学家的最终用户自主进行模型的开发过程。它结合了三种类型的GLC：SPC、STC和GLC-L，实现了交互式的视觉模式发现。从2D可视化到3D可视化的转变可以获得比2D更明显的视觉模式，同时还允许找到最佳的数据视角，这在2D中不可用。它可以深度分析各种具体类别的数据子集，使最终用户能理解原始可解释属性。此方法还可以通过最终用户控制模型泛化来获得额外的益处。

    Mar, 2024