論文の概要: A Grid-based Method for Removing Overlaps of Dimensionality Reduction Scatterplot Layouts

• arxiv url: http://arxiv.org/abs/1903.06262v8
• Date: Tue, 10 Oct 2023 23:31:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-13 22:51:02.686524
• Title: A Grid-based Method for Removing Overlaps of Dimensionality Reduction Scatterplot Layouts
• Title（参考訳）: 次元縮小散乱レイアウトの重なりをグリッドベースで除去する手法
• Authors: Gladys M. Hilasaca, Wilson E. Marc\'ilio-Jr, Danilo M. Eler, Rafael M. Martins, and Fernando V. Paulovich
• Abstract要約: Distance Grid (DGrid) は、DDR(Diality Reduction) scatterplotレイアウトのオーバーラップを取り除くための新しい後処理戦略である。 元のレイアウトの特徴を忠実に保存し、最小のグリフサイズを束縛する。
• 参考スコア（独自算出の注目度）: 40.11095094521714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dimensionality Reduction (DR) scatterplot layouts have become a ubiquitous visualization tool for analyzing multidimensional datasets. Despite their popularity, such scatterplots suffer from occlusion, especially when informative glyphs are used to represent data instances, potentially obfuscating critical information for the analysis under execution. Different strategies have been devised to address this issue, either producing overlap-free layouts that lack the powerful capabilities of contemporary DR techniques in uncovering interesting data patterns or eliminating overlaps as a post-processing strategy. Despite the good results of post-processing techniques, most of the best methods typically expand or distort the scatterplot area, thus reducing glyphs' size (sometimes) to unreadable dimensions, defeating the purpose of removing overlaps. This paper presents Distance Grid (DGrid), a novel post-processing strategy to remove overlaps from DR layouts that faithfully preserves the original layout's characteristics and bounds the minimum glyph sizes. We show that DGrid surpasses the state-of-the-art in overlap removal (through an extensive comparative evaluation considering multiple different metrics) while also being one of the fastest techniques, especially for large datasets. A user study with 51 participants also shows that DGrid is consistently ranked among the top techniques for preserving the original scatterplots' visual characteristics and the aesthetics of the final results.
• Abstract（参考訳）: 多次元データセットを解析するためのユビキタスな可視化ツールとして,DR(Diality Reduction) scatterplotレイアウトが利用されている。 それらの人気にもかかわらず、そのような散乱体は、特にデータインスタンスを表すために情報的なグリフが使われる場合、排他的であり、実行中の分析に重要な情報を難読化する可能性がある。 興味深いデータパターンの発見において、現代のDR技術の強力な能力に欠ける重複のないレイアウトを生成するか、後処理戦略として重複を取り除くか、この問題に対処するために様々な戦略が考案されている。 ポストプロセッシング技術のよい結果にもかかわらず、最も優れた手法のほとんどは散乱プロット領域を広げたり歪めたりすることで、グリフのサイズ(時々)を読めない次元に縮小し、重なりを取り除く目的を打ち破った。 本稿では,DRレイアウトの特徴を忠実に保存し,グリフサイズを最小限に制限する,DRレイアウトの重複を除去する新しい後処理戦略であるDGridを提案する。 DGridは(複数のメトリクスを考慮した大規模な比較評価を通じて)重複除去において最先端の手法であると同時に,特に大規模データセットにおいて最も高速な手法であることを示す。 また,51名の被験者を対象にしたユーザスタディでは,DGridが元の散布板の視覚的特徴と最終結果の美学を保存するための最上位技術であることが示された。

関連論文リスト

• Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
  教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。 本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。 これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
  論文  参考訳（メタデータ） (2024-02-03T19:00:19Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• ShaRP: Shape-Regularized Multidimensional Projections [71.30697308446064]
  本稿では,生成した散布板の視覚的シグネチャをユーザが明示的に制御できる新しいプロジェクション技術,ShaRPを提案する。 ShaRPは次元とデータセットサイズによく対応し、任意の定量的データセットを汎用的に処理する。
  論文  参考訳（メタデータ） (2023-06-01T11:16:58Z)
• A Brief Survey on Representation Learning based Graph Dimensionality Reduction Techniques [0.0]
  情報損失の度合いの異なる低次元に高次元で表されるデータをマッピングする。 グラフデータから埋め込みを効率よく生成し、それらを低次元の潜在空間に投影する手法はいくつか存在する。 本稿では,既存のグラフ次元削減技術に関連する問題点とともに,そのメリットを概説する。
  論文  参考訳（メタデータ） (2022-10-13T04:29:24Z)
• FORBID: Fast Overlap Removal By stochastic gradIent Descent for Graph Drawing [1.1470070927586014]
  ノード間のオーバーラップは、グラフの可視化の可読性を妨げます。 オーバーラップ除去(OR)アルゴリズムはレイアウト後処理として提案されている。 共同応力およびスケーリング最適化問題として,新しい勾配モデルORを提案する。
  論文  参考訳（メタデータ） (2022-08-19T13:51:44Z)
• Visual Cluster Separation Using High-Dimensional Sharpened Dimensionality Reduction [65.80631307271705]
  高次元シャープ化DR(HD-SDR)は、合成データセットと実世界のデータセットの両方で試験される。 提案手法は,高品質(品質指標による測定)を達成し,大規模高次元データを用いて計算的に精度よくスケールする。 具体的な応用を説明するため,近年の天文カタログにHD-SDRを適用した。
  論文  参考訳（メタデータ） (2021-10-01T11:13:51Z)
• Multi-point dimensionality reduction to improve projection layout reliability [77.34726150561087]
  通常の次元還元(dr)では、m-次元空間(原空間)の各データインスタンスは、d-次元空間(視覚空間)内の一点にマッピングされる。 当社のソリューションであるRed Gray Plusは、通常のDRとグラフ描画技術を組み合わせて構築され、拡張されています。
  論文  参考訳（メタデータ） (2021-01-15T17:17:02Z)
• Supervised Visualization for Data Exploration [9.742277703732187]
  本稿では,無作為な森林確率と拡散に基づく次元減少に基づく新しい可視化手法について述べる。 我々のアプローチはノイズやパラメータのチューニングに頑健であり、データ探索のための信頼性の高い可視化を作成しながら、簡単に使用できる。
  論文  参考訳（メタデータ） (2020-06-15T19:10:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。