論文の概要: Dataopsy: Scalable and Fluid Visual Exploration using Aggregate Query Sculpting

• arxiv url: http://arxiv.org/abs/2308.02764v1
• Date: Sat, 5 Aug 2023 01:51:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 18:48:20.275849
• Title: Dataopsy: Scalable and Fluid Visual Exploration using Aggregate Query Sculpting
• Title（参考訳）: Dataopsy: Aggregate Query Sculptingを用いたスケーラブルで流動的なビジュアル探索
• Authors: Md Naimul Hoque and Niklas Elmqvist
• Abstract要約: 本稿では,大規模多次元データに対する顔付きビジュアルクエリ技術であるアグリゲートクエリー彫刻(AQS)を提案する。 AQSは、データセット全体のアグリゲーションを表す単一の視覚マークで視覚化を開始する。 AQSのプロトタイプ実装であるDataopsyでAQSを検証する。
• 参考スコア（独自算出の注目度）: 18.793265976651533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present aggregate query sculpting (AQS), a faceted visual query technique for large-scale multidimensional data. As a "born scalable" query technique, AQS starts visualization with a single visual mark representing an aggregation of the entire dataset. The user can then progressively explore the dataset through a sequence of operations abbreviated as P6: pivot (facet an aggregate based on an attribute), partition (lay out a facet in space), peek (see inside a subset using an aggregate visual representation), pile (merge two or more subsets), project (extracting a subset into a new substrate), and prune (discard an aggregate not currently of interest). We validate AQS with Dataopsy, a prototype implementation of AQS that has been designed for fluid interaction on desktop and touch-based mobile devices. We demonstrate AQS and Dataopsy using two case studies and three application examples.
• Abstract（参考訳）: 本稿では,大規模多次元データに対する顔付きビジュアルクエリ技術であるアグリゲートクエリー彫刻(AQS)を提案する。 スケーラブルな"クエリテクニックとして、AQSは、データセット全体のアグリゲーションを表す単一の視覚的マークで視覚化を開始する。 次に、p6: pivot(属性に基づくアグリゲートを参照)、パーティション(スペース内にアグリゲートを配置する)、peek(アグリゲートビジュアル表現を使用したサブセット内を参照)、pill(2つ以上のサブセットをマージする)、project(新しい基板へのサブセットの抽出)、prune(現在関心がないアグリゲートを破棄する)という一連の操作を通じてデータセットを段階的に探索することができる。 デスクトップおよびタッチベースのモバイルデバイス上での流動的なインタラクション用に設計された,aqsのプロトタイプ実装であるdataopsyを用いてaqsを検証する。 2つのケーススタディと3つのアプリケーション例を用いてaqsとdataopsyを実演する。

関連論文リスト

• Automated Question Generation on Tabular Data for Conversational Data Exploration [1.2574534342156884]
  本稿では,会話環境におけるデータセットの関連するスライスに基づいて,自然言語で興味深い質問を推薦するシステムを提案する。 我々は、訓練済みの言語モデル(T5)の微調整のバリエーションを使って、特定の方法で自然言語の質問を生成する。
  論文  参考訳（メタデータ） (2024-07-10T08:07:05Z)
• Neural Clustering based Visual Representation Learning [61.72646814537163]
  クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。 本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。 FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
  論文  参考訳（メタデータ） (2024-03-26T06:04:50Z)
• DOCTR: Disentangled Object-Centric Transformer for Point Scene Understanding [7.470587868134298]
  ポイントシーン理解は、現実世界のシーンポイントクラウドを処理する上で難しいタスクです。 最近の最先端の手法はまず各オブジェクトを分割し、次に異なるサブタスクの複数のステージで独立に処理する。 本稿では,オブジェクト中心表現を探索するDECTR(Disentangled Object-Centric TRansformer)を提案する。
  論文  参考訳（メタデータ） (2024-03-25T05:22:34Z)
• Zero-shot Composed Text-Image Retrieval [72.43790281036584]
  合成画像検索(CIR)の問題点を考察する。 テキストや画像などのマルチモーダル情報を融合し、クエリにマッチする画像を正確に検索し、ユーザの表現能力を拡張できるモデルをトレーニングすることを目的としている。
  論文  参考訳（メタデータ） (2023-06-12T17:56:01Z)
• LMGQS: A Large-scale Dataset for Query-focused Summarization [77.6179359525065]
  我々は4つの一般的な要約ベンチマークを新しいQFSベンチマークデータセットであるLMGQSに変換する。 我々は最先端の要約モデルを用いてベースラインを確立する。 複数の既存のQFSベンチマークにおいて、最先端のゼロショットと教師付きパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-05-22T14:53:45Z)
• End-to-end Tracking with a Multi-query Transformer [96.13468602635082]
  マルチオブジェクトトラッキング(MOT)は、時間とともにシーン内のオブジェクトの位置、外観、アイデンティティを同時に推論する必要がある課題である。 本研究の目的は、トラッキング・バイ・ディテクト・アプローチを超えて、未知のオブジェクト・クラスに対してもよく機能するクラスに依存しないトラッキングへと移行することである。
  論文  参考訳（メタデータ） (2022-10-26T10:19:37Z)
• Learning Equivariant Segmentation with Instance-Unique Querying [47.52528819153683]
  我々は、差別的なクエリ埋め込み学習を通じて、クエリベースのモデルを強化する新しいトレーニングフレームワークを考案した。 我々のアルゴリズムは、トレーニングデータセット全体から対応するインスタンスを検索するためにクエリを使用します。 4つの有名なクエリベースのモデルに加えて、トレーニングアルゴリズムは大きなパフォーマンス向上を提供します。
  論文  参考訳（メタデータ） (2022-10-03T13:14:00Z)
• Beyond Accuracy: A Consolidated Tool for Visual Question Answering Benchmarking [30.155625852894797]
  研究者や主催者を対象としたブラウザベースのベンチマークツールを提案する。 私たちのツールは、複数のデータセットにわたるモデルの一般化機能をテストするのに役立ちます。 対話的フィルタリングは問題のある振る舞いの発見を促進する。
  論文  参考訳（メタデータ） (2021-10-11T11:08:35Z)
• Exploring Multi-dimensional Data via Subset Embedding [13.092303047029311]
  サブセットパターンを探索する視覚分析手法を提案する。 アプローチの中核はサブセット埋め込みネットワーク(SEN)であり、サブセットの群を一様に変形した埋め込みとして表現する。 この設計により、任意のサブセットを処理し、単一の機能でサブセットの類似性をキャプチャできる。
  論文  参考訳（メタデータ） (2021-04-24T03:08:08Z)
• Open Question Answering over Tables and Text [55.8412170633547]
  オープンな質問応答(QA)では、質問に対する回答は、質問に対する回答を含む可能性のある文書を検索して分析することによって生成される。 ほとんどのオープンQAシステムは、構造化されていないテキストからのみ情報を取得することを検討している。 我々は,このタスクの性能を評価するために,新しい大規模データセット Open Table-and-Text Question Answering (OTT-QA) を提案する。
  論文  参考訳（メタデータ） (2020-10-20T16:48:14Z)

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。