Please wait a minute...

当期目录

2018年, 第3期 刊出日期:2018-09-30 上一期    下一期
本期栏目: 论文 
论文
深度学习可视化综述:面向用户群体分类   收藏
Rulei Yu, Lei Shi
Vis Inf. 2018 (3): 147-154.   DOI: 10.1016/j.visinf.2018.09.001
摘要( 1128 )  
背景:深度学习在多种任务中取得了令人瞩目的成功,近年来发展迅速。鉴于其目前仍然是个“黑匣子”,深度学习的解释性已经成为遏制其发展的一个重要因素。例如,在医学和金融等领域,需要可解释性模型来给从业人员提供相应的理论依据。然而直接分析解释深度学习模型是非常复杂抽象的,作为抽象数据与直观表示的桥梁,可视化提供了相应的技术方法。 创新:为了帮助不同知识背景的用户(初学者、新手、开发者、专家)了解深度学习可视分析这个领域,本文整理了近年来前沿与重要的工作,做成了一张分类表。分类表同时说明了每个工具或方法适用的模型结构、分类目标与发布时间,辅助用户进行快速查询。为了帮助用户了解对应分类目标下的研究进展,本文详述了相应分类目标下的代表性工作,尤其是可视解释性这个重要方向。

采用堆叠条形图进行单个属性和整体属性比较的有效性   收藏
Indratmo, LeeHoworko, Joyce MariaBoedianto, BenDaniel
Vis Inf. 2018 (3): 155-165.   DOI: 10.1016/j.visinf.2018.09.002
摘要( 701 )  

背景:堆叠条形图是呈现数据多种属性的一种常用的可视化方法,为许多可视化工具所支持。为了评估堆叠条形图在属性比较方面的有效性,我们进行了一项用户研究,考察了三种类型的堆叠条形图:经典,倒置和发散。用每类图表来显示数据的六个属性,其中一半属性“越低越好”,而另一半属性“越高越好”。我们邀请了30名参与者来进行数据的单个属性和整体属性的比较,并统计他们完成测试所耗费的时间,误差率和所感知的评测难度。

研究结果表明,在对整体属性进行比较时,采用倒置堆叠条形图的耗费时间最短;用经典和发散堆叠条形图进行整体属性比较比用这些图表进行单个属性比较所耗费的时间更长。参与者认为在比较整体属性时,倒置和发散堆叠条形图比经典堆叠条形图使用更方便。但比较单个属性时,所有图表类型的表现都差不多。

本文讨论了如何利用这些结果更好地设计交互式堆叠条形图和可视化工具。

人机分析过程导引   收藏
Christopher Collins, Natalia Andrienko, TobiasSchreck, JingYang, Jaegul Choo, Ulrich Engelke, Amit Jena, Tim Dwyer
Vis Inf. 2018 (3): 166-180.   DOI: 10.1016/j.visinf.2018.09.003
摘要( 629 )  
背景:在本文中,我们列出了人机分析的目标、优势和不足之处,提到它不仅可在关键的底层可视化任务中发挥作用,而且能在更复杂的由模型生成的可视化分析任务中发挥作用。人工智能,尤其是在机器学习方面的最新进展,使得人们期盼使用自动技术来实施现由数据分析师采用可视化方法来执行的若干任务。但是,可视化分析仍然非常复杂,包含多个不同的子任务。其中一些任务处于底层,自动化方法可以大显身手(如数据的分类和聚类);另一些任务则更为抽象,需要用到更多的人类创造力,例如,将从许多不同和异构的数据中获得的思想关联起来,以支持决策。 在本文中,我们将概述导引可能的应用,以及需要为导引提供的输入。我们讨论了实现导引方法的挑战,包括导引系统的输入以及如何为用户提供指导,提出了在分析过程的不同阶段中评估导引质量的潜在方法,并引入导引可能带来的负面效果,作为分析决策的偏差来源。

多属性可视嵌入的组合优化   收藏
Qiong Zeng, Wenzheng Chen, Zhuo Han, Mingyi Shi, Yanir Kleiman, Daniel Cohen-Or, Baoquan Chen, Yangyan Li
Vis Inf. 2018 (3): 181-189.   DOI: 10.1016/j.visinf.2018.09.004
摘要( 352 )  
背景:理解图像之间的语义相似度是许多计算机图形和视觉应用的核心。因为感知图像时可能关注于不同的属性,图像的视觉语义通常是多义的。 创新:本文提出了一种学习图像之间语义的视觉相似度的方法,它能推断出图像的潜在属性并将它们嵌入到与每一潜在属性相关联的多个空间中。我们将多属性、多空间嵌入问题视为一个在众包聚类时度量各属性嵌入距离的优化函数。算法的关键是收集在聚类中成对的具有相同属性的定性化元组并嵌入到相应空间中。为了确保在多种测度之间能共享相似性属性,图像聚类的过程交由用户控制。算法将收集好的图像聚类转换为多个元组集,然后输入到组合优化算法中,对属性相似度和多属性嵌入进行推理。我们的多属性嵌入允许在不同的属性空间中检索相似的对象。实验结果表明,我们的方法优于面向各种数据集的最先进的多属性、多空间嵌入方法,实验结果演示了多属性嵌入在图像检索中的应用。