通过实验设计研究可视化设计决策、对齐类型和显著性地图质量对人类感知显著性视觉解释的影响。

Jun, 2024

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

提出概念为基础的方法可帮助我们解释人工神经网络的决策，介绍了一个理论框架，可以定义和澄清概念提取和重要性评估两个步骤，并尝试解决解释性中的一个关键问题：如何有效地识别以类似共享策略分类的数据点组成的簇。

Jun, 2023

通过学习得到的度量分类器和一个持久性图的点密度估计器，本研究提供了一种直观表示持久性点重要性的方法，用于驱动新的可视化，从而突出了拓扑特征在图形、三维形状和医学图像数据中的重要性。

Sep, 2023

本文提出了一种名为 HINT 的通用方法，通过有效利用人类演示来改善视觉基础，以优化深度神经网络的对视觉概念的敏感性，并在视觉问答和图像描述任务中应用，在仅利用 6% 的训练数据的人类关注示例下，优于 VQA-CP 和强健字幕的主要方法。

Feb, 2019

本研究提出了一种交互式机器教学算法，该算法通过选择学生观察的有代表性的图片来教授具有挑战性的视觉概念，以提高机器教学和图像分类的效率。利用该算法，我们可以基于学生的正确和错误答案，概率地模拟学生的知识水平和进展情况，从而在多个真实世界的数据集上获得更好的结果。

Apr, 2015

运用预训练的大规模语言 - 图像模型，本文尝试解决可视化分析中的两个问题：大规模图像数据集的高效探索与潜在数据偏差的发现以及图像标题的评估与生成过程的引导。通过分析从语言 - 图像模型自动生成的图像标题，我们能深入了解视觉内容的语义基础，并发现数据偏差。同时，通过展示视觉内容与文本标题之间的关联，揭示了预训练的语言 - 图像模型在标题生成能力上的不足，并提出了一种交互界面来引导标题生成。通过具体案例研究和大规模图像数据集的领域实践者验证了该系统的有效性。

Nov, 2023

本文比较了人类和神经语言模型中的相对重要性模式，发现人类语言处理的模式与基于显著性的神经语言模型的相对重要性高度相关，同时表明显著性可能是解释神经语言模型的认知更可信的度量标准。

Jun, 2021

本研究针对视觉识别技术中的特征表示、学习算法和标记的训练数据进行了探究，提出了一种基于网络监督的自动图像数据生成方法，以实现对大量视觉概念的高效训练和识别。在 Pascal VOC 2007 数据集上对该方法进行了测试，并取得了明显的优越性能。

Jun, 2019

自动文本摘要在近年来取得了实质性的进展。Ter Hoeve 等认为自动摘要生成的类型与用户需求不符，推荐增加更多图形元素。基于这个任务，我们提出了摘要与图形元素结合的新任务，并验证这些摘要对大众有助益。我们收集了一个高质量的人工标注数据集，提供基线模型表明该任务是有趣和具有挑战性的。希望这项工作能够在自动摘要社区中引起新的研究线路。

Apr, 2022