Nov, 2023

用户行为在视觉分析过程中有何差异？

PDF
TL;DR本研究采集了用户行为的全面数据集，并提出了时间序列分类方法的分析方法。通过对经典的 Covid-19 数据分析应用进行用户研究，我们发现用户行为在可视分析过程中可以区分，并且用户的物理行为与其执行的可视化任务存在潜在的强关联。我们还通过解释可视分析的开放会话来展示我们模型的用法，为研究感知过程提供了一种自动化的方式，避免了繁琐的手动标注。
发现论文，激发创造
  • 机器学习模型分析的改进：可视化分析的视角

    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

  • 通过用户实验使用适应的 Cox 模型学习可解释性的可视化

    该研究使用基于用户的方法来结合和评估质量措施，以更好地模拟用户偏好，结果表明邻域保护措施优于集群可分性措施，并且结合措施而不是仅使用单个措施进一步提高了预测性能。

    Nov, 2016

  • 机器学习的视觉分析：数据视角调查

    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

  • 机器学习可视化分析技术综述

    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

  • 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

  • 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

  • 可视化过程可以优化什么？

    本文提出了可视化和推理过程的抽象模型，并描述了一种信息论度量来优化这些过程。我们提出了一种基于信息论的成本效益比度量，以优化数据可视化过程。

    Jun, 2015

  • 基于归因和反事实的时间序列分类视觉解释

    本文提出了一个可视化分析工作流程，以支持全局和局部解释的无缝转换，重点是基于时间序列分类的属性和反事实分析，通过采用本地 XAI 技术（归因），将其应用于传统数据集（图像，文本）来分析时间序列分类，进而生成全局概览。

    Jul, 2023

  • 运用视觉分析解释预测机器学习模型

    通过视觉分析技术，我们可以在不牺牲预测质量的情况下理解黑盒机器学习模型的推理过程，从而提高模型的可解释性。

    Jun, 2016

  • 交互日志中的不确定案例标识符解决：用户研究

    该论文提出了一种基于神经网络的技术来确定点击数据的案例概念，从而使过程挖掘和其他过程分析技术能够在用户交互数据上进行。研究表明此方法可扩展到大数据集，而使用此技术可以带来可操作的流程洞察。

    Nov, 2022