标签存档: 机器学习

DeepEyes: 用于深度神经网络设计的递进式可视分析系统 (DeepEyes: Progressive Visual Analytics for Designing Deep Neural Networks)

深度神经网络,在模式识别问题上,取得非常不错的效果。但设计一个性能好的神经网络,需要反复尝试,是个非常耗时的过程。这个工作[1]实现了用于深度神经网络设计的可视分析系统,DeepEyes。该系统可以在DNNs训练过程中,提取数据,从网络整体效果,神经层和神经元角度,分析神经网络运行状态,进而协助用户更新DNNs。

继续阅读 »

更好的理解分析深度卷积神经网络(Towards Better Analysis of Deep Convolutional Neural Networks )

深度卷积神经网络(CNNs)在特征识别相关任务中取得的效果,远比传统方法好。因此,CNNs常用于图像识别、语音识别等。但是,因为CNNs结构庞大,一般都会包含几十个神经层,每一层,又有数百至数千个神经元;同时,CNNs任意两层之间神经元的相互影响错综复杂。这两个主要的因素,导致CNNs难以理解、分析。为此,用户很难从失败或成功的例子中学习到如何设计一个好的卷积神经网络。因此,设计一个效果好的神经网络,往往需要依靠大量的尝试。

这篇文章提出了一个可视分析系统,CNNVis,支持机器学习专家更好的理解、分析、设计深度卷积神经网络。 继续阅读 »

解释器:结合定制化降维投影的数据探索 (Explainers: Expert Explorations with Crafted Projections)

数据的降维是高维数据可视化的重要一环,它使得抽象不可感的高维数据结构能在低维空间里部分地展现出来。现有诸多降维方法如PCA、MDS等都是基于数据统计属性的最优化得到的,它们能最大限度地减少降维过程中的信息损失,却无法提供关于降维结果的清晰的语义信息,增加了数据的解读难度。相对地,用户可能掌握着丰富的背景知识,或是了解数据的语义内涵,但这些都未被传统的降维方法所考虑,从而降维结果可能和用户的认知相去甚远,降低了降维方法的实用性。总而言之,现有的数据降维方法存在着语义性差、脱离用户背景的问题,这在数据建模、理论构造、解释论证等各方面给数据的分析和应用带来了困难。

继续阅读 »