Oct, 2015

面向可视化的大型数据库采样

PDF
TL;DR提出了可视化感知采样（VAS）方法，通过优化可视化启发式损失函数，从而在保证可视化质量的基础上，实现对大规模数据集的快速采样。实验表明，VAS 相比现有的方法具有更高的成功率和更快的速度，尤其在回归、密度估计和聚类等场景下。
interactive visualizationsdata reductionvisualization-inspired loss functionnp-hardnessefficient approximation algorithm
发现论文，激发创造
  • VizAI: 选择准确的数值数据可视化

    本文介绍了一种名为 VizAI 的生成 - 判别框架，该框架首先从多种数据可视化中生成数据的各种统计属性，并与判别模型相连，以选择最匹配被可视化的数据真实统计数据的可视化方式。使用众包判断和大量公开可用的可视化，我们证明 VizAI 优于学习推荐可视化的最新方法。

    Nov, 2021

  • 大数据聚类草图与验证

    本文提出了一种用于大数据分析的高效聚类框架 ——SkeVa family，它包括基于 k 均值聚类和核函数聚类的算法，并使用随机采样和一致性 (RANSAC) 思想进行降维和集合简化。此外还引入了一种基于离散度准则的算法。通过在大规模数据集上的实验，发现这些算法与最先进的随机投影方案相比，具有非常良好的竞争性能。

    Jan, 2015

  • 一种面向地理空间探索的视觉主动搜索框架

    通过建立视觉主动搜索框架，结合强化学习技术和领域自适应方法，该研究提出了一种针对航拍图像的地理空间搜索模型，有效地提高了目标物体识别的准确率。

    Nov, 2022

  • VizNet: 一个大规模可视化学习和基准库

    本文介绍了 VizNet，它是一个包含了超过 3100 万个数据集的大规模语料库，从开放数据库和在线可视化画廊中编译而来。它提供了一个必要的公共基线，用于比较可视化的设计技术，并为自动化可视化分析开发基准模型和算法。我们展示了如何从实验结果中学习知觉有效性度量，并展示了它在测试数据集上的预测能力。

    May, 2019

  • 可视化大规模高维数据

    本文提出了一种叫做 LargeVis 的技术，旨在解决将大规模和高维数据可视化在低维空间的问题。与 t-SNE 相比，LargeVis 构建精确近似的 K 最近邻图的计算成本更低，并采用了一个原则上的概率模型来进行可视化，整个过程易于扩展到数百万个高维数据点。实验结果表明，LargeVis 在效率和效果方面均优于现有的先进方法。

    Feb, 2016

  • 控制方差的自适应采样高效反向传播

    通过使用采样算法进行神经网络训练，我们引入了一种方差控制的自适应采样（VCAS）方法，该方法可以在数据和权重梯度计算过程中使用细粒度的分层重要性采样和杠杆得分采样，以加快训练过程并降低计算量。通过在多个任务中进行评估，我们发现 VCAS 可以在保持准确性的同时，减少最高达 73.87% 的 BP 计算量和 49.58% 的整个训练过程计算量。

    Feb, 2024

  • ShapeVis：大规模高维数据可视化

    本文提出了一种基于拓扑数据分析的可扩展点云数据可视化技术 ——ShapeVis，通过构建数据流形上的加权见证图和从标准社区检测算法中引入的感应映射来压缩表示点云特征，并使用模块化方法剪枝和重建图形以总结数据的形状。与 Mapper 方法相比，我们的算法可以适用于成百万点数据的可视化展示。

    Jan, 2020

  • VizML: 一种基于机器学习的可视化建议方法

    本研究介绍了一种基于机器学习的数据可视化推荐方法，通过从大量数据集和相关可视化图中训练出网络来预测设计选择，从而降低探索基本可视化的难度.

    Aug, 2018

  • NCVis：一种用于可扩展可视化的噪声对比方法

    提出了一种基于噪声对比估计的高性能降维方法 NCVis，其在速度和表现质量方面优于现有技术，在处理自然语言的大数据集时速度也很快，可极大简化大规模数据分析并降低该领域的入门门槛。

    Jan, 2020

  • 有关算法子采样的计量经济学视角

    这篇论文研究数据分析中的线性回归和数据素描技术，探讨在样本量有限的情况下如何选择行列子集对数据进行估计和推断，发现虽然算法上的优化子集无法适用于预测和推断，但通过统计学方法可以提供建议的子集大小，并通过实验表明，使用不同的子集来估计结果可以将预测结果效率与使用全样本的方法几乎相同。

    Jul, 2019