論文の概要: Reclaiming the Horizon: Novel Visualization Designs for Time-Series Data
with Large Value Ranges
- arxiv url: http://arxiv.org/abs/2307.10278v2
- Date: Tue, 31 Oct 2023 09:53:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-02 02:06:38.731905
- Title: Reclaiming the Horizon: Novel Visualization Designs for Time-Series Data
with Large Value Ranges
- Title（参考訳）: 水平再生:大きな値域を持つ時系列データのための新しい可視化設計
- Authors: Daniel Braun, Rita Borgo, Max Sondag, Tatiana von Landesberger
- Abstract要約: 2つの新しい視覚化設計は、値 v = m * 10e のマティーサ m と指数 e を明示的に分割することによって、大きな値範囲を視覚化する。
経験的ユーザスタディにおいて、最も関連性の高い最先端のビジュアライゼーションに対して、我々の新しいデザインを評価する。
- 参考スコア（独自算出の注目度）: 4.542688918836569
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce two novel visualization designs to support practitioners in
performing identification and discrimination tasks on large value ranges (i.e.,
several orders of magnitude) in time-series data: (1) The order of magnitude
horizon graph, which extends the classic horizon graph; and (2) the order of
magnitude line chart, which adapts the log-line chart. These new visualization
designs visualize large value ranges by explicitly splitting the mantissa m and
exponent e of a value v = m * 10e . We evaluate our novel designs against the
most relevant state-of-the-art visualizations in an empirical user study. It
focuses on four main tasks commonly employed in the analysis of time-series and
large value ranges visualization: identification, discrimination, estimation,
and trend detection. For each task we analyse error, confidence, and response
time. The new order of magnitude horizon graph performs better or equal to all
other designs in identification, discrimination, and estimation tasks. Only for
trend detection tasks, the more traditional horizon graphs reported better
performance. Our results are domain-independent, only requiring time-series
data with large value ranges.
- Abstract（参考訳）: 本研究では, 時系列データにおいて, 大きな値範囲(数桁)における識別・識別タスクの実行を支援するために, 古典的な水平線グラフを拡張する等級の水平線グラフの順序と, ログラインチャートに適応した等級の直線グラフの順序の2つの新しい可視化設計を提案する。
これらの新しい視覚化設計は、値 v = m * 10e のマティーサ m と指数 e を明示的に分割することによって、大きな値範囲を視覚化する。
我々は,経験的ユーザスタディにおいて,最も関連する最先端の可視化手法に対して,新たな設計を評価する。
時系列分析と大きな値範囲の可視化に一般的に用いられる4つの主なタスク、識別、識別、推定、トレンド検出に焦点を当てている。
各タスクに対して、エラー、信頼、レスポンスタイムを分析します。
新しい等級地平線グラフは、識別、識別、推定タスクにおいて、他のすべての設計より優れているか同等である。
トレンド検出タスクのみの場合、従来のホライズングラフの方がパフォーマンスが向上した。
我々の結果はドメインに依存しず、大きな値範囲の時系列データのみを必要とする。
関連論文リスト
- VisGraphVar: A Benchmark Generator for Assessing Variability in Graph Analysis Using Large Vision-Language Models [1.597617022056624]
LVLM(Large Vision-Language Models)は、抽象的な視覚タスクに取り組む能力がますます高まっている。
VisGraphVarは7つのタスクカテゴリのグラフ画像を生成することができる、カスタマイズ可能なベンチマークジェネレータである。
画像の視覚特性の変化(例えばノードのラベル付けやレイアウト)と視覚的不完全さの意図的な含意がモデルの性能に大きく影響することを示す。
論文 参考訳（メタデータ） (2024-11-22T10:10:53Z) - A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。
具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。
文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
論文 参考訳（メタデータ） (2024-10-25T02:39:56Z) - DURENDAL: Graph deep learning framework for temporal heterogeneous
networks [0.5156484100374057]
時間的異種ネットワーク(THN)は、多くの現実世界の応用を特徴付ける進化的ネットワークである。
THNのためのグラフ深層学習フレームワークであるDURENDALを提案する。
論文 参考訳（メタデータ） (2023-09-30T10:46:01Z) - StructChart: Perception, Structuring, Reasoning for Visual Chart
Understanding [58.38480335579541]
現在のチャート関連タスクは、視覚チャートから情報を抽出することを参照するチャート認識か、抽出されたデータから推論を行うかに焦点を当てている。
本稿では,共同認識と推論タスクのための統一的でラベル効率のよい学習パラダイムを確立することを目的とする。
各種のチャート関連タスクで実験を行い、統合されたチャート認識推論パラダイムの有効性と有望な可能性を実証した。
論文 参考訳（メタデータ） (2023-09-20T12:51:13Z) - Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。
これらのグラフモデルと従来の協調フィルタリングモデルを比較する。
ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文 参考訳（メタデータ） (2023-08-01T09:31:44Z) - Temporal Graph Benchmark for Machine Learning on Temporal Graphs [54.52243310226456]
テンポラルグラフベンチマーク(TGB)は、困難で多様なベンチマークデータセットのコレクションである。
各データセットをベンチマークし、共通のモデルのパフォーマンスがデータセット間で大きく異なることを発見した。
TGBは、再現可能でアクセス可能な時間グラフ研究のための自動機械学習パイプラインを提供する。
論文 参考訳（メタデータ） (2023-07-03T13:58:20Z) - The Trade-off between Universality and Label Efficiency of
Representations from Contrastive Learning [32.15608637930748]
2つのデシダラタの間にはトレードオフがあることを示し、同時に両方を達成できない可能性があることを示す。
我々は、理論データモデルを用いて分析を行い、より多様な事前学習データにより、異なるタスクに対してより多様な機能が得られる一方で、タスク固有の機能に重点を置いていないことを示す。
論文 参考訳（メタデータ） (2023-02-28T22:14:33Z) - Color Coding of Large Value Ranges Applied to Meteorological Data [0.7287319339936009]
本稿では,大きな値範囲を持つデータ系列の可視化という課題に対処するために,新しいカラースキームを提案する。
我々は,大値範囲の存在が一般的である気象データに焦点を当てた。
提案手法は,マンティッサの数値表現と値の指数を利用して,新しい「ネスト」カラースキームの設計を導出する。
論文 参考訳（メタデータ） (2022-07-13T08:48:43Z) - Few-Shot Learning on Graphs: A Survey [92.47605211946149]
グラフ表現学習は多くの実世界のアプリケーションで顕著な性能を持つため、大きな注目を集めている。
特定のタスクに対する半教師付きグラフ表現学習モデルは、しばしばラベル空間の問題に悩まされる。
限定的なアノテートデータ問題に直面するパフォーマンス劣化に対処するために,FSLG (Few-shot Learning on graphs) が提案されている。
論文 参考訳（メタデータ） (2022-03-17T13:21:11Z) - VizAI : Selecting Accurate Visualizations of Numerical Data [2.6039035727217907]
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。
論文 参考訳（メタデータ） (2021-11-07T22:05:44Z) - 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)
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。