論文の概要: VizAI : Selecting Accurate Visualizations of Numerical Data

• arxiv url: http://arxiv.org/abs/2111.04190v1
• Date: Sun, 7 Nov 2021 22:05:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-10 04:00:57.700494
• Title: VizAI : Selecting Accurate Visualizations of Numerical Data
• Title（参考訳）: VizAI : 数値データの正確な可視化の選択
• Authors: Ritvik Vij and Rohit Raj and Madhur Singhal and Manish Tanwar and Srikanta Bedathur
• Abstract要約: VizAIは、データの様々な統計特性を最初に生成する生成的識別フレームワークである。 これは、視覚化されるデータの真の統計に最もよく一致する視覚化を選択する識別モデルにリンクされている。 VizAIは、最小限の監督で容易に訓練でき、様々な監督レベルの設定に適応できる。
• 参考スコア（独自算出の注目度）: 2.6039035727217907
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A good data visualization is not only a distortion-free graphical representation of data but also a way to reveal underlying statistical properties of the data. Despite its common use across various stages of data analysis, selecting a good visualization often is a manual process involving many iterations. Recently there has been interest in reducing this effort by developing models that can recommend visualizations, but they are of limited use since they require large training samples (data and visualization pairs) and focus primarily on the design aspects rather than on assessing the effectiveness of the selected visualization. In this paper, we present VizAI, a generative-discriminative framework that first generates various statistical properties of the data from a number of alternative visualizations of the data. It is linked to a discriminative model that selects the visualization that best matches the true statistics of the data being visualized. VizAI can easily be trained with minimal supervision and adapts to settings with varying degrees of supervision easily. Using crowd-sourced judgements and a large repository of publicly available visualizations, we demonstrate that VizAI outperforms the state of the art methods that learn to recommend visualizations.
• Abstract（参考訳）: 良いデータの可視化は、データの歪みのないグラフィカル表現であるだけでなく、データの基本的な統計特性を明らかにする方法でもある。 データ分析のさまざまな段階でよく使われるが、良い視覚化を選択することは、多くのイテレーションを伴う手動のプロセスであることが多い。 近年、視覚化を推奨できるモデルを開発することで、この取り組みを減らすことに関心が寄せられているが、これは大規模なトレーニングサンプル(データと視覚化ペア)を必要とし、選択した視覚化の有効性を評価することよりも、設計面に重点を置いているため、限られた用途である。 本稿では、まず、データの様々な統計特性を複数の代替視覚化から生成する生成識別フレームワークであるVizAIについて述べる。 これは、可視化されるデータの真の統計に最もよくマッチする可視化を選択する識別モデルに関連付けられている。 VizAIは、最小限の監督で容易に訓練でき、様々な監督レベルの設定に適応できる。 クラウドソースによる判断と公開可能な視覚化の大規模なリポジトリを使用して、VizAIが視覚化を推奨する技術手法の状態を上回ります。

関連論文リスト

• Diffusion Models as Data Mining Tools [87.77999285241219]
  本稿では、画像合成のために訓練された生成モデルを視覚データマイニングのツールとして利用する方法について述べる。 特定のデータセットから画像を合成するために条件拡散モデルを微調整した後、これらのモデルを用いて典型性尺度を定義することができることを示す。 この尺度は、地理的位置、タイムスタンプ、セマンティックラベル、さらには病気の存在など、異なるデータラベルに対する典型的な視覚的要素がどのように存在するかを評価する。
  論文  参考訳（メタデータ） (2024-07-20T17:14:31Z)
• SeeBel: Seeing is Believing [0.9790236766474201]
  本稿では,全画像のセグメンテーションにおけるデータセット統計とAI性能を比較するための3つの可視化手法を提案する。 我々のプロジェクトは、画像の注意重みを可視化することで、セグメンテーションのための訓練されたAIモデルの解釈可能性をさらに高めようとしている。 我々は,コンピュータビジョンとAI領域における可視化ツールの有効性を検討するために,実際のユーザを対象に調査を行うことを提案する。
  論文  参考訳（メタデータ） (2023-12-18T05:11:00Z)
• InvVis: Large-Scale Data Embedding for Invertible Visualization [17.863390528801943]
  InvVisは、画像から可視化を再構築またはさらに修正する、可逆可視化のための新しいアプローチである。 本稿では,画像形式でのグラフデータを効率よく表現し,大容量データの埋め込みを可能にする新しい手法を提案する。 複数の視点から評価方法を評価するための一連の評価実験を行った。
  論文  参考訳（メタデータ） (2023-07-30T09:15:36Z)
• 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)
• 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)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-11T03:25:25Z)
• Visual Distant Supervision for Scene Graph Generation [66.10579690929623]
  シーングラフモデルは通常、大量のラベル付きデータを人間のアノテーションで教師付き学習する必要がある。 本研究では,人間ラベルデータを用いずにシーングラフモデルを訓練できる視覚関係学習の新しいパラダイムである視覚遠方監視を提案する。 包括的な実験結果から、我々の遠隔監視モデルは、弱い監督と半監督のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2021-03-29T06:35:24Z)
• Visualising Deep Network's Time-Series Representations [93.73198973454944]
  機械学習モデルの普及にもかかわらず、多くの場合、モデルの内部で起きていることに関する洞察のないブラックボックスとして運用される。 本稿では,多次元時系列データの可視化に着目し,この問題に対処する手法を提案する。 高周波在庫市場データセットの実験は、この方法が迅速かつ識別可能な可視化を提供することを示しています。
  論文  参考訳（メタデータ） (2021-03-12T09:53:34Z)
• Genetic Programming for Evolving a Front of Interpretable Models for Data Visualisation [4.4181317696554325]
  GPtSNEという遺伝的プログラミング手法を用いて,データセットから高品質な可視化へ解釈可能なマッピングを進化させる手法を提案する。 多目的アプローチは、視覚的品質とモデルの複雑さの間に異なるトレードオフをもたらす、単一の実行で様々な可視化を生成するように設計されている。
  論文  参考訳（メタデータ） (2020-01-27T04:03:19Z)

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。