MARC

 008260126s2024        us                              c    eng  d
■001000017360614
■00520260202105556
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263399115
■035    ▼a(MiAaPQ)AAI32315883
■035    ▼a(MiAaPQ)GeorgiaTech75209
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a000
■1001  ▼aWu,  Renzhi.
■24510▼aUser-Centered  Programmatic  Data  Labeling
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a168  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Chu,  Xu.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aThis  dissertation  addresses  the  critical  challenge  of  labeled  data  scarcity  in  machine  learning  (ML),  particularly  in  the  context  of  deep  learning,  by  advancing  the  paradigm  of  programmatic  data  labeling  from  a  user-centered  perspective.  Traditional  methods  of  obtaining  labeled  data  through  human  annotation  are  costly  and  unscalable,  prompting  a  shift  towards  programmatic  data  labeling,  where  noisy  labels  generated  by  various  sources  are  utilized.  Programmatic  data  labeling  utilizes  the  Labeling  Function  (LF)  abstraction,  a  small  program  that  takes  in  a  data  point  and  outputs  a  weak  label.  Each  supervision  source  is  then  expressed  by  a  LF  to  automatically  generate  noisy  labels  from  data  points,  which  are  then  aggregated  to  infer  ground-truth  labels  for  training  ML  models.Programmatic  data  labeling  invovles  two  major  steps:  LF  development  and  LF  aggregation  with  a  label  model.  The  current  process  of  LF  development  relies  on  the  expertise  of  the  user  and  can  be  inaccessible  for  non-experts,  particularly  when  dealing  video  data.  LF  aggregation  through  existing  label  models  can  also  be  non-trivial,  requiring  users  to  navigate  challenging  hyperparameter  settings  and  unsupervised  training  procedures.To  address  these  challenges,  this  dissertation  makes  three  contributions.  First,  we  explore  how  to  improve  usability  by  specializing  programmatic  data  labeling  to  the  task  at  hand.  We  use  the  task  of  entity  matching  as  an  example  application  to  develop  an  Integrated  Development  Environment  (IDE),  facilitating  the  development,  debugging,  and  management  of  LFs.  The  IDE  also  features  a  label  model  tailored  for  entity  matching,  SIMPLE-EM,  which  outperforms  existing  models  in  accuracy  and  efficiency  by  leveraging  entity  matching-specific  properties.Second,  we  reformulate  the  task  of  writing  LFs  for  video  data  as  a  video  data  retrieval  task,  so  that  users  can  develop  LFs  on  video  data  by  writing  video  retrieval  queries.  We  then  present  SketchQL,  a  novel  visual  query  interface  for  video  data  retrieval  that  allows  users  to  construct  retrieval  queries  through  simple  mouse  drag-and-drop  actions,  improving  usability  greatly.  This  system  demonstrates  superior  performance  in  video  data  retrieval  compared  to  state-of-the-art  methods.Third,  we  propose  HyperLM,  a  hyper  label  model  that  eliminates  the  need  for  hyperparameter  tuning  and  dataset-specific  training,  offering  deterministic,  accurate,  and  efficient  label  aggregation.  We  present  the  first  ever  analytical  solution  with  optimalities  for  the  task  of  label  aggregation  and  design  our  hyper  label  model  to  approximate  the  analytical  solution  which  is  intractable  to  be  directly  used.  Our  hyper  label  model  showcases  significant  improvements  over  existing  methods  in  both  accuracy  and  computational  efficiency.
■590    ▼aSchool  code:  0078.
■650  4▼aUsability
■650  4▼aDeep  learning
■650  4▼aWriting
■650  4▼aDebugging
■650  4▼aUser  feedback
■650  4▼aLabeling
■650  4▼aInformation  retrieval
■650  4▼aComputer  science
■690    ▼a0800
■690    ▼a0984
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360614▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서