Apr, 2023

VISHIEN-MAAT：滚动讲述可视化设计，用于向非技术用户解释连体神经网络概念

PDF
TL;DR本论文提出了一种新型可视化设计，通过使用 scrollytelling 方法来为非技术用户有效地解释人工智能概念，研究结果表明，与在线文章等传统材料相比，使用我们提出的新型设计可提高非技术用户的感知和机器学习概念知识获取。
ai researchdeep learningscrollytellingvisualizationsiamese neural network
发现论文，激发创造
  • 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

  • 语言模型的可视化与解释

    本文介绍了一些最流行的自然语言处理的深度学习可视化技术，并强调其可解释性和可解释性。

    Apr, 2022

  • 可解释深度学习的可视化分析

    本文回顾了与深度学习可解释性和控制相关的视觉分析、信息可视化和机器学习观点，讨论了潜在的挑战和未来研究方向。

    Apr, 2018

  • 面向可解释的人工智能

    本文介绍了机器学习和深度学习算法在科学和工业领域中的应用及其不透明性问题，提出了解释性学习算法和可视化方法的重要性。

    Sep, 2019

  • 通过大型语言模型实现自然语言数据可视化：一项探索性研究

    使用大型语言模型进行自然语言到可视化的转换任务，在分析如何将结构化表格数据转化为 LLM 所需的顺序文本提示时，发现将结构化表格数据转化为程序是有效的，并且在制定提示时考虑表格模式是必要的。同时，通过对比实验发现，LLM 在 NL2Vis 任务中优于基线方法，并且推理模型在提供少量示范的情况下通过上下文学习能够进一步改善性能，时而甚至超过微调模型。最后，分析 LLM 在 NL2Vis 任务中失败的情况，并提出了循环更新的策略，通过链式思维、角色扮演和代码解释等方法来迭代更新结果，实验证实了这种迭代更新的有效性，具有广阔的未来研究潜力。

    Apr, 2024

  • Data2Vis: 序列到序列循环神经网络自动生成数据可视化

    本文介绍了 Data2Vis：一种神经翻译模型，可自动生成给定数据集的可视化。通过将数据规范映射到声明语言（Vega-Lite）中的可视化规范，将可视化生成作为序列到序列翻译问题。为此，我们训练了一个多层基于注意力的长期短期记忆（LSTM）单元的循环神经网络（RNN）模型在可视化规范语料库上，以生成与手动创建的可视化相媲美但时间仅为其一小部分的可视化。

    Apr, 2018

  • 可解释的人工智能：理解、可视化和解释深度学习模型

    基于深度学习的解释性可视化方法在人工智能领域日益被重视，本文总结了目前解释深度学习模型的最新发展，并提出两种解释预测的方法，并将这些方法用于三个分类任务中进行评估。

    Aug, 2017

  • 交互式可视化在解释（大型）NLP 模型中的作用：从数据到推理

    探讨了交互式可视化在解释自然语言处理模型中的作用、与目标用户和 NLP 管道的关系，提供了几个使用 XNLP 可视化的具体示例，并指出了该领域的广泛研究机会。

    Jan, 2023

  • 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

  • 通过协作语义推断与深度学习模型的视觉交互

    本文提出一种基于协同语义推理（CSI）的框架，通过人机视觉交互设计，实现人与算法的可视化协同，揭示深度学习模型的推理过程，从而使用户能够理解和控制模型的部分推理过程，其应用于文档摘要系统的案例研究表明了其可行性。

    Jul, 2019