将机器学习集成到视觉分析中的最新技术
通过系统审视 259 篇近 10 年来发表以及 2010 年前的代表性著作,我们构建了一个分类法,其中包括技术建模前、建模过程中以及建模后的三个一级类别;每个类别可以进一步分为具体的分析任务,并列举了一些最近具有影响力的作品。同时,我们还讨论和突出了有挑战和有前景的研究机会,这些对于视觉分析的研究者非常有用。
Aug, 2020
本研究论文系统地总结了交互模型分析的三大类任务:理解、诊断和改进,旨在帮助用户高效解决实际的人工智能和数据挖掘问题,同时探讨了相关未来研究机会。
Feb, 2017
可解释和可靠的机器学习的可视化仍然是信息可视化和视觉分析领域中最重要和深入研究的领域之一,涉及医学、金融和生物信息等各种应用领域。本文在我们 2020 年的最新报告基础上,收集了经同行评审的描述可视化技术的文章,根据之前建立的 119 个分类模式对其进行分类,并通过在线调查浏览器提供包含 542 种技术的结果集。在这篇调查文章中,我们介绍了截至 2023 年秋季的数据集新分析的最新发现,并讨论了机器学习中使用可视化的趋势、见解和八个开放挑战。我们的结果证实了过去三年间可视化技术在增加对机器学习模型的信任方面的快速增长趋势,可视化技术被发现有助于改进流行的模型可解释性方法和检查新的深度学习架构,例如。
Mar, 2024
本文介绍了融合人工智能 / 机器学习和可视化 / 视觉分析的新兴领域 —— 综合视觉知识发现。文章着重探讨了可视分析、可视化知识发现以及人工智能 / 机器学习的挑战和未来方向,并讨论了可视化在视觉人工智能 / 机器学习中的作用。此外,文章介绍了在视觉帮助下新兴的全 2D ML、自然语言处理以及多维数据中的人工智能 / 机器学习的进展。
May, 2022
本论文对机器学习模型的数据方面的可视化相关研究进行了系统梳理和分析,提出了五类数据类型和六种数据中心任务,并分析了 143 篇论文的相关分布,展望了未来的研究趋势和方向。
Jul, 2023
本文综述了可视化分析在深度学习中的角色,并且结合人类中心疑问框架,着重讨论了为什么、谁、什么、如何、何时和何地,从而全面总结了目前的研究现状,同时提出了未来研究的方向和问题。
Jan, 2018
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
本文研究了云技术、机器学习和数据可视化方法的结合,展示了如何整合云服务、数据分析和机器学习技术以便检测和减少与现代基于云的基础设施相关的网络安全风险。通过应用机器学习监督分类器设计了一个基于著名的 UNSW-NB15 数据集的模型,预测网络行为指标,并展示了如何整合数据分析技术以可视化网络流量。
May, 2024