論文の概要: Insight-centric Visualization Recommendation

• arxiv url: http://arxiv.org/abs/2103.11297v1
• Date: Sun, 21 Mar 2021 03:30:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-23 14:49:20.903628
• Title: Insight-centric Visualization Recommendation
• Title（参考訳）: 洞察中心の可視化レコメンデーション
• Authors: Camille Harris, Ryan A. Rossi, Sana Malik, Jane Hoffswell, Fan Du, Tak Yeon Lee, Eunyee Koh, Handong Zhao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 47.690901962177996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visualization recommendation systems simplify exploratory data analysis (EDA) and make understanding data more accessible to users of all skill levels by automatically generating visualizations for users to explore. However, most existing visualization recommendation systems focus on ranking all visualizations into a single list or set of groups based on particular attributes or encodings. This global ranking makes it difficult and time-consuming for users to find the most interesting or relevant insights. To address these limitations, we introduce a novel class of visualization recommendation systems that automatically rank and recommend both groups of related insights as well as the most important insights within each group. Our proposed approach combines results from many different learning-based methods to discover insights automatically. A key advantage is that this approach generalizes to a wide variety of attribute types such as categorical, numerical, and temporal, as well as complex non-trivial combinations of these different attribute types. To evaluate the effectiveness of our approach, we implemented a new insight-centric visualization recommendation system, SpotLight, which generates and ranks annotated visualizations to explain each insight. We conducted a user study with 12 participants and two datasets which showed that users are able to quickly understand and find relevant insights in unfamiliar data.
• Abstract（参考訳）: 可視化レコメンデーションシステムは、探索データ分析(EDA)を簡素化し、ユーザが探索する視覚化を自動的に生成することにより、すべてのスキルレベルのユーザに対して理解データをアクセスしやすくする。 しかし、既存の可視化レコメンデーションシステムは、すべての視覚化を、特定の属性やエンコーディングに基づいて単一のリストやグループにランク付けすることに集中している。 このグローバルランキングは、ユーザが最も興味深い、あるいは関連する洞察を見つけるのを難しく、時間がかかります。 これらの制限に対処するために,各グループ内の重要な洞察と関連する洞察の2つのグループを自動的にランク付けし,推奨する,新たなビジュアライゼーションレコメンデーションシステムを導入する。 提案手法は,様々な学習手法の結果を組み合わせて,洞察を自動的に発見する。 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に一般化され、これら異なる属性タイプの複雑な非自明な組み合わせが可能であることである。 提案手法の有効性を評価するために,各洞察を説明するために注釈付き視覚化を生成し,ランク付けする新しい洞察中心の可視化レコメンデーションシステムSpotLightを実装した。 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。

関連論文リスト

• Knowledge-Aware Prompt Tuning for Generalizable Vision-Language Models [64.24227572048075]
  本稿では,視覚言語モデルのためのKnowledge-Aware Prompt Tuning(KAPT)フレームワークを提案する。 我々のアプローチは、人間の知性からインスピレーションを得ており、外部知識は、通常、オブジェクトの新たなカテゴリを認識するために組み込まれています。
  論文  参考訳（メタデータ） (2023-08-22T04:24:45Z)
• Multi-View Clustering from the Perspective of Mutual Information [0.0]
  Informative Multi-View Clustering (IMVC) と呼ばれる情報理論に基づく新しいモデルを提案する。 IMVCは、多視点データに隠された共通かつビュー固有の情報を抽出し、クラスタリング指向の包括的な表現を構築する。 本研究では,6つのベンチマークデータセットについて広範な実験を行い,IMVCが他の手法よりも優れていることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2023-02-17T07:49:27Z)
• Cross-view Graph Contrastive Representation Learning on Partially Aligned Multi-view Data [52.491074276133325]
  マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。 本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習フレームワークを提案する。 複数の実データを用いて実験を行い,クラスタリングおよび分類作業における提案手法の有効性を示した。
  論文  参考訳（メタデータ） (2022-11-08T09:19:32Z)
• Dual Representation Learning for One-Step Clustering of Multi-View Data [30.131568561100817]
  異なるビューの共通情報と特定情報の二重表現を利用して,新しい一段階のマルチビュークラスタリング手法を提案する。 このフレームワークでは、表現学習とクラスタリングのパーティションが相互に恩恵を受け、クラスタリングのパフォーマンスが効果的に向上する。
  論文  参考訳（メタデータ） (2022-08-30T14:20:26Z)
• Open Long-Tailed Recognition in a Dynamic World [82.91025831618545]
  実世界のデータは、しばしば長い尾を持ち、(目に見えないクラスを持つ)オープンな分布を示す。 現実的な認識システムは、多数派(頭)クラスと少数派(尾)クラスの間でバランスを取り、分布を一般化し、見知らぬクラス(オープンクラス)のインスタンスで新規性を認める必要がある。 我々は,Open Long-Tailed Recognition++を,このような自然分布データからの学習として定義し,バランスの取れたテストセット上での分類精度を最適化する。
  論文  参考訳（メタデータ） (2022-08-17T15:22:20Z)
• Open-Set Representation Learning through Combinatorial Embedding [62.05670732352456]
  ラベル付きクラスとラベルなしクラスの両方の例に基づく表現学習を通じて、データセットにおける新しい概念を識別することに興味がある。 異種ラベル空間上の複数の教師付きメタクラス分類器によって与えられる構成知識を用いて、自然に未知のクラス内のサンプルをクラスタリングする学習手法を提案する。 提案アルゴリズムは,未確認クラスの識別性の向上と,新しいクラスに一般化可能な既知のクラス表現の学習を併用して,新しい概念を探索する。
  論文  参考訳（メタデータ） (2021-06-29T11:51:57Z)
• 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)
• A Duet Recommendation Algorithm Based on Jointly Local and Global Representation Learning [15.942495330390463]
  異種情報から局所的およびグローバルな表現学習を捉えるための知識認識に基づく推薦アルゴリズムを提案する。 局所的および大域的表現は、注意機構を持つグラフ畳み込みネットワークによって共同で学習されるので、最終的な推奨確率は、完全に接続されたニューラルネットワークによって計算される。
  論文  参考訳（メタデータ） (2020-12-03T01:52:14Z)
• ML-based Visualization Recommendation: Learning to Recommend Visualizations from Data [44.90479301447387]
  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。
  論文  参考訳（メタデータ） (2020-09-25T16:13:29Z)
• Deep Learning for Person Re-identification: A Survey and Outlook [233.36948173686602]
  人物再識別(Re-ID)は、複数の重複しないカメラを通して興味ある人物を検索することを目的としている。 人物のRe-IDシステム開発に関わるコンポーネントを分離することにより、それをクローズドワールドとオープンワールドのセッティングに分類する。
  論文  参考訳（メタデータ） (2020-01-13T12:49:22Z)

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。