机器学习的视觉分析:数据视角调查
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
机器学习可视化(VIS4ML)研究旨在帮助专家应用他们的先前知识来开发、理解和改进机器学习模型的性能。通过调查最近的 VIS4ML 研究论文,我们评估了研究贡献和使人类参与机器学习成为可能的主张的普适性,发现了当前 VIS4ML 研究范围与实际应用目标之间存在潜在差距,提出了缩小期望和研究主张之间差距的方法,并建议采用记录实践以报告更好地认识到 VIS4ML 研究的探索性质的一般性限制。
Aug, 2023
本篇论文基于 DL 算法在科学可视化方面的应用,围绕域设置、研究任务、学习类型、网络架构、损失函数和评估指标等六个方面,分类和讨论解决标量场和矢量场数据问题的相关工作,为 SciVis 研究者提供了最新前沿综述和未来增长方向的指引。
Apr, 2022
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
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
本文介绍了一种名为 VL4ML 的可视化学习方法,该方法在医疗应用中得到了广泛的探究。作者通过 VL4ML 展示了其演示性质,以证明其在医疗决策中的应用。作者还在文章中针对分类、回归以及纵向预测的不同类型任务进行了五个案例研究。通过分析调查,本文证实了 VL4ML 的实用价值。
May, 2022