Diagnosing Ensemble Few-Shot Classifiers
对小样本学习任务生成集成分类器的可视分析系统设计
- 项目概况10周（20.10-21.08）CCF·A类会议论文IEEE TVCG 2022录用
- 个人贡献第四作者（4/9）数据可视化设计交互设计
中文摘要
作者：Weikai Yang, Xi Ye, Xingxing Zhang, Lanxi Xiao, Jiazhi Xia, Zhongyuan Wang, Jun Zhu, Hanspeter Pfister, Shixia Liu
期刊：IEEE Transactions on Visualization and Computer Graphics
在小样本学习任务生成集成分类器中，基学习器和有标注样本对模型性能有很大影响。当性能不令人满意时，通常很难了解根本原因并作出改进。本文提出了一种可视化分析方法 —— FSLDiagnotor。在给定一组基学习器和一组样本的基础上，本文旨在解决两个关键问题：（1）寻找一个能很好地预测样本集合的基学习器子集；（2）将低质量的有标注样本替换为更有代表性的有标注样本，以充分代表样本集合。本文将这两个问题表述为稀疏子集选择，并开发两种选择算法，分别推荐合适的基学习器和有标注样本。矩阵可视化和散点图相结合的设计，能够在语境中解释推荐基学习器和有标注样本，方便用户调整。在此基础上，算法对推荐结果进行更新，进行新一轮的改进。两个案例研究表明，FSLDiagnotor有助于高效构建小样本学习任务生成集成分类器，分别提高了12%和21%的准确率。