A Deep Generative Model for Interactive Data Annotation through Direct Manipulation in Latent Space

要約

多くの応用分野における機械学習 (ML) の影響は、注釈付きデータの欠如によって制限されます。
ML 支援データ アノテーション用の既存のツールの中で、あまり研究されていないツール タイプの 1 つは、グラフィカル ユーザー インターフェイスの座標と、直接操作による対話のためのニューラル ネットワークの潜在空間の間の類似性に依存しています。
現在の研究では、1) 2 つの新しいアナロジーを提案することでパラダイムを拡張します。ネットワーク トレーニングの反復と勾配を反映する時間と力です。
2) データの内部構造とユーザーが提供した注釈の両方を考慮した、データのコンパクトなグラフィック表現を学習するためのネットワーク モデルを提案します。
3) 学習されたデータのグラフィック表現に対するモデルのハイパーパラメータの影響を調査し、将来のユーザー調査のための候補モデルのバリアントを特定します。

要約(オリジナル)

The impact of machine learning (ML) in many fields of application is constrained by lack of annotated data. Among existing tools for ML-assisted data annotation, one little explored tool type relies on an analogy between the coordinates of a graphical user interface and the latent space of a neural network for interaction through direct manipulation. In the present work, we 1) expand the paradigm by proposing two new analogies: time and force as reflecting iterations and gradients of network training; 2) propose a network model for learning a compact graphical representation of the data that takes into account both its internal structure and user provided annotations; and 3) investigate the impact of model hyperparameters on the learned graphical representations of the data, identifying candidate model variants for a future user study.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google