論文の概要: ML-based Visualization Recommendation: Learning to Recommend Visualizations from Data

• arxiv url: http://arxiv.org/abs/2009.12316v1
• Date: Fri, 25 Sep 2020 16:13:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 23:33:08.786221
• Title: ML-based Visualization Recommendation: Learning to Recommend Visualizations from Data
• Title（参考訳）: MLに基づく可視化レコメンデーション:データから視覚化を推奨する学習
• Authors: Xin Qian, Ryan A. Rossi, Fan Du, Sungchul Kim, Eunyee Koh, Sana Malik, Tak Yeon Lee, Joel Chan
• Abstract要約: ビジュアライゼーションレコメンデーションは、ユーザーに自動的に有用なビジュアライゼーションを生成し、スコア付けし、推奨する。 本稿では,データセットと視覚化の大規模なコーパスを入力として利用する,エンドツーエンドのMLベースの可視化システムを提案する。 エンドツーエンドのMLベースのシステムでは、既存の最先端のルールベースのシステムと比較して、より効果的で有用な視覚化を推奨しています。
• 参考スコア（独自算出の注目度）: 44.90479301447387
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visualization recommendation seeks to generate, score, and recommend to users useful visualizations automatically, and are fundamentally important for exploring and gaining insights into a new or existing dataset quickly. In this work, we propose the first end-to-end ML-based visualization recommendation system that takes as input a large corpus of datasets and visualizations, learns a model based on this data. Then, given a new unseen dataset from an arbitrary user, the model automatically generates visualizations for that new dataset, derive scores for the visualizations, and output a list of recommended visualizations to the user ordered by effectiveness. We also describe an evaluation framework to quantitatively evaluate visualization recommendation models learned from a large corpus of visualizations and datasets. Through quantitative experiments, a user study, and qualitative analysis, we show that our end-to-end ML-based system recommends more effective and useful visualizations compared to existing state-of-the-art rule-based systems. Finally, we observed a strong preference by the human experts in our user study towards the visualizations recommended by our ML-based system as opposed to the rule-based system (5.92 from a 7-point Likert scale compared to only 3.45).
• Abstract（参考訳）: 視覚化のレコメンデーションは、ユーザに有用な視覚化を自動的に生成し、スコア付けし、推奨することを目的としている。 本研究では,大量のデータセットと可視化データを入力し,そのデータに基づいてモデルを学ぶ,エンドツーエンドのmlベース可視化推薦システムを提案する。 そして、任意のユーザから新たな未認識データセットが与えられた場合、モデルが自動的にその新しいデータセットの可視化を生成し、視覚化のためのスコアを導出し、効果によって順序づけられたユーザに推奨される可視化のリストを出力する。 また,大量のビジュアライゼーションとデータセットから学習したビジュアライゼーションレコメンデーションモデルを定量的に評価するための評価フレームワークについても述べる。 定量的実験,ユーザスタディ,質的分析を通じて,我々のエンドツーエンドmlベースシステムは,既存の最先端ルールベースシステムと比較して,より効果的で有用な可視化を推奨することを示した。 最後に、ルールベースシステムとは対照的に、MLベースのシステムで推奨される視覚化(わずか3.45の7点から5.92)に対するユーザスタディにおいて、人間の専門家による強い嗜好が見られた。

関連論文リスト

• Making Recommender Systems More Knowledgeable: A Framework to Incorporate Side Information [5.033504076393256]
  本稿では,商品別サイド情報をレコメンダシステムに組み込んでパフォーマンスを高めるための汎用フレームワークを提案する。 副次的な情報により、我々の推薦システムは最先端のモデルよりもかなりのマージンで優れていることを示す。 また、リコメンデータシステムで使用される注意機構を標準化し、モデル性能への影響を評価するために、新しいタイプの損失を提案する。
  論文  参考訳（メタデータ） (2024-06-02T04:33:52Z)
• Silkie: Preference Distillation for Large Visual Language Models [56.10697821410489]
  本稿では,大型視覚言語モデル(LVLM)の嗜好蒸留について検討する。 まず,AIアノテーションを用いた視覚言語フィードバックデータセットを構築した。 我々は, GPT-4V を用いて, 有用性, 視覚的忠実性, 倫理的考察のアウトプットを評価する。 結果として得られたモデルSilkieは、認知能力と認知能力に関するMMEベンチマークで6.9%と9.5%の相対的な改善を達成している。
  論文  参考訳（メタデータ） (2023-12-17T09:44:27Z)
• Addressing Bias in Visualization Recommenders by Identifying Trends in Training Data: Improving VizML Through a Statistical Analysis of the Plotly Community Feed [55.41644538483948]
  機械学習は、高いスケーラビリティと表現力のために、視覚化レコメンデーションに対する有望なアプローチである。 本研究は,統計的解析によりトレーニングデータの傾向を特定することで,機械学習可視化推薦システムにおけるトレーニングバイアスに対処することを目的とする。
  論文  参考訳（メタデータ） (2022-03-09T18:36:46Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• Insight-centric Visualization Recommendation [47.690901962177996]
  本稿では,関連洞察群とグループ内の最も重要な洞察群の両方を自動的にランク付けし,推薦する可視化推薦システムを紹介する。 重要な利点は、このアプローチがカテゴリ型、数値型、時間型などの幅広い属性タイプ、およびこれらの異なる属性タイプの複雑な非自明な組み合わせに一般化できることです。 12人の参加者と2つのデータセットでユーザ調査を行い,不慣れなデータからユーザが素早く理解し,関連する洞察を得ることができることを示した。
  論文  参考訳（メタデータ） (2021-03-21T03:30:22Z)
• Personalized Visualization Recommendation [40.838444709402694]
  パーソナライズされた視覚化推奨の問題について紹介し,それを解決するための汎用学習フレームワークを提案する。 特に,過去の可視化インタラクションに基づいて,個々のユーザに対してパーソナライズされた可視化を推奨することに着目した。 ユーザ中心の可視化コーパスをリリースし,230万の属性と32万のユーザ生成視覚化を備えた94kデータセットを探索する17.4kユーザで構成される。
  論文  参考訳（メタデータ） (2021-02-12T04:06:34Z)
• Embedding Ranking-Oriented Recommender System Graphs [10.74267520911262]
  グラフベースのランキング指向推薦フレームワークであるPGRecを提案する。 提案手法の性能評価を行った結果,異なるMovieLensデータセットのNDCG@10において,PGRecはベースラインアルゴリズムよりも3.2%高い性能を示した。
  論文  参考訳（メタデータ） (2020-07-31T16:56:54Z)
• Self-supervised Learning for Large-scale Item Recommendations [18.19202958502061]
  大規模なレコメンデータモデルは、巨大なカタログから最も関連性の高いアイテムを見つけ出す。 コーパスには何百万から数十億ものアイテムがあり、ユーザーはごく少数のユーザーに対してフィードバックを提供する傾向にある。 大規模項目推薦のためのマルチタスク自己教師型学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-25T06:21:43Z)

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。