Интерактивный визуальный анализ - Interactive visual analysis

Интерактивный визуальный анализ (IVA) представляет собой набор методов для объединения вычислительной мощности компьютеров с восприятием и когнитивными способностями человека с целью извлечения знаний из больших и сложных наборов данных. Эти методы в значительной степени зависят от взаимодействия с пользователем и визуальной системы человека и существуют на пересечении визуальная аналитика и большое количество данных. Это филиал визуализация данных. IVA - это подходящий метод для анализа данных большой размерности с большим количеством точек данных, где простые графики и неинтерактивные методы не дают достаточного понимания информации.[1]

Эти методы включают просмотр наборов данных с помощью различных коррелированных представлений и итеративный выбор и изучение функций, которые интересны пользователю. Цель IVA - получить знания, которые не всегда очевидны из набора данных, как правило, в табличной форме. Это может включать создание, тестирование или проверку гипотез или просто изучение набора данных для поиска корреляций между различными переменными.

История

Фокус + Визуализация контекста и связанные с ним методы восходят к 1970-м годам.[2] Ранние попытки комбинировать эти методы для интерактивного визуального анализа происходят в системе визуализации WEAVE для симуляции сердца. [3] в 2000 году. SimVis появился в 2003 году,[4] и с тех пор эта концепция была исследована в нескольких проектах с докторской степенью - в частности, Гельмут Долейш в 2004 г.[5] Йоханнес Керер в 2011 году [6] и Золтан Кониха в 2013 году.[7] ComVis, который используется в сообществе разработчиков визуализации, появился в 2008 году.[8]

Основы

Целью интерактивного визуального анализа является обнаружение информации в данных, которая не является очевидной. Цель состоит в том, чтобы перейти от самих данных к информации, содержащейся в данных, в конечном итоге раскрывая знания, которые не были очевидны при просмотре необработанных чисел.

Самая простая форма IVA - использование нескольких скоординированных представлений. [9] отображение разных столбцов нашего набора данных. Для IVA требуется как минимум два представления. Представления обычно входят в число общих инструментов визуализация информации, Такие как гистограммы, диаграммы рассеяния или же параллельные координаты, но используя визуализированный объем представления также возможны, если это подходит для данных.[6] Как правило, одно представление отображает независимые переменные набора данных (например, время или пространственное положение), в то время как другие отображают зависимые переменные (например, температуру, давление или плотность населения) по отношению друг к другу. Если представления связаны, пользователь может выбирать точки данных в одном представлении и автоматически выделять соответствующие точки данных в других представлениях. Этот метод, который интуитивно позволяет исследовать многомерные свойства данных, известен как связывание и чистка.[10][11]

Выбор, сделанный в одном из представлений, не обязательно должен быть двоичным. Пакеты программного обеспечения для IVA позволяют постепенно «заинтересовать» [5][6][12] в выделении, где точки данных постепенно выделяются по мере перехода от низкого интереса к высокому. Это позволяет создать «фокус + контекст». [13] аспект поиска информации. Например, при исследовании опухоли в Магнитно-резонансная томография набора данных, ткань, окружающая опухоль, также может представлять интерес для оператора.

Петля IVA

Интерактивный визуальный анализ - это итеративный процесс. Открытия, сделанные после очистки данных и просмотра связанных представлений, можно использовать в качестве отправной точки для повторения процесса, что приведет к некоторой форме детализации информации. В качестве примера рассмотрим анализ данных моделирования двигателя внутреннего сгорания. Пользователь прочищает гистограмму распределения температуры и обнаруживает, что одна конкретная часть одного цилиндра имеет опасно высокие температуры. Эта информация может быть использована для формулирования гипотезы о том, что все цилиндры имеют проблемы с отводом тепла. Это можно проверить, обработав щеткой одну и ту же область во всех других цилиндрах и увидев на гистограмме температур, что эти цилиндры также имеют более высокие температуры, чем ожидалось.[14]

Модель данных

Источником данных для IVA обычно являются табличные данные, где данные представлены в столбцах и строках. Переменные данных можно разделить на две разные категории: независимые и зависимые переменные. Независимые переменные представляют собой область наблюдаемых значений, таких как, например, время и пространство. Зависимые переменные представляют наблюдаемые данные, например температуру, давление или высоту.[14]

IVA может помочь пользователю раскрыть информацию и знания об источниках данных с меньшим количеством измерений, а также о наборах данных с очень большим количеством измерений.[2]

Уровни IVA

Инструменты IVA можно разделить на несколько уровней сложности. Эти уровни предоставляют пользователю различные инструменты взаимодействия для анализа данных. Для большинства применений будет достаточно первого уровня, и это также уровень, который обеспечивает пользователю самый быстрый отклик от взаимодействия. Более высокие уровни позволяют выявить более тонкие взаимосвязи в данных. Однако для этого требуется больше знаний об инструментах, а процесс взаимодействия требует большего времени отклика.[1]

Базовый уровень

Самая простая форма IVA - это базовый уровень, состоящий из чистка и связывание. Здесь пользователь может настроить несколько представлений с разными переменными набора данных и отметить интересную область в одном из представлений. Точки данных, соответствующие выбору, автоматически отмечаются в других представлениях. На этом уровне IVA можно получить много информации. Для наборов данных, в которых отношения между переменными достаточно просты, этого метода обычно достаточно, чтобы пользователь достиг необходимого уровня понимания.[7]

Второй уровень

Чистка и связывание с логическим сочетанием кистей - это более продвинутая форма IVA. Это позволяет пользователю отмечать несколько областей в одном или нескольких видах и комбинировать эти области с помощью логических операторов: и, или, не. Это позволяет глубже изучить набор данных и увидеть больше скрытой информации.[7] Простым примером может служить анализ данных о погоде: аналитик может захотеть обнаружить регионы, в которых одновременно наблюдаются теплые температуры и мало осадков.

Третий уровень

Логической комбинации выбора может быть недостаточно, чтобы раскрыть значимую информацию из набора данных. Существует несколько доступных методов, которые делают скрытые взаимосвязи в данных более очевидными. Один из них - получение атрибута. Это позволяет пользователю извлекать из данных дополнительные атрибуты, такие как производные инструменты, информацию о кластеризации или другие статистика характеристики. В принципе, оператор может выполнять любой набор вычислений с необработанными данными. Затем производные атрибуты можно связать и очистить, как любой другой атрибут.[7]

Второй инструмент третьего уровня IVA - это продвинутые методы чистки, такие как угловая чистка, чистка по подобию или процентильная чистка. Эти инструменты кисти выбирают точки данных более продвинутым способом, чем простой выбор «наведи и щелкни». Расширенная чистка дает более быстрый отклик, чем вывод атрибутов, но требует более длительного обучения и более глубокого понимания набора данных.[7]

Четвертый уровень

Четвертый уровень IVA специфичен для каждого набора данных и зависит от набора данных и цели анализа. К этой категории относится любой вычисляемый атрибут, специфичный для рассматриваемых данных. Примером анализа данных потока может быть обнаружение и категоризация вихрей или других структур, присутствующих в данных потока. Это означает, что методы IVA четвертого уровня должны быть индивидуально адаптированы для конкретного приложения. После обнаружения функций более высокого порядка вычисленные атрибуты будут связаны с исходным набором данных и подвергнуты обычной технике связывания и чистки.[1]

Выкройки IVA

Концепция «связывания и чистки» (выбора) IVA может использоваться между различными типами переменных в наборе данных. Какой шаблон мы должны использовать, зависит от того, какой аспект корреляций в наборе данных представляет интерес.[1][15]

Локализация функции

Удаление точек данных из набора зависимых переменных (например, температуры) и наблюдение за тем, где среди независимых переменных (например, пространство или время) проявляются эти точки данных, называется «локализацией признаков». С помощью локализации объектов пользователь может легко определить расположение объектов в наборе данных. Примеры из набора метеорологических данных: в каких регионах теплый климат или в какое время года выпадает много осадков.[1][15]

Местное расследование

Если независимые переменные очищаются и мы ищем соответствующее соединение с зависимым представлением, это называется «локальным исследованием». Это позволяет исследовать характеристики, например, определенного региона или определенного времени. В случае метеорологических данных мы могли бы, например, обнаружить распределение температуры в зимние месяцы.[1][15]

Многомерный анализ

Удаление зависимых переменных и наблюдение за связью с другими зависимыми переменными называется многомерным анализом. Это можно, например, использовать, чтобы узнать, коррелируют ли высокие температуры с давлением, проводя чистку щеткой с высокими температурами и просматривая связанный вид распределения давления.

Поскольку каждое из связанных представлений обычно имеет два или более измерения, многомерный анализ может неявно раскрыть многомерные особенности данных, которые не будут очевидны, например, из простая диаграмма рассеяния.[1][15]

Приложения

Концепции интерактивного визуального анализа были реализованы в нескольких пакетах программного обеспечения как для исследовательских, так и для коммерческих целей.

ComVis часто используется исследователями визуализации в академических кругах, в то время как SimVis оптимизирован для анализа данных моделирования.[8][16] Tableau - еще один пример коммерческого программного продукта, использующего концепции IVA.

Смотрите также

Рекомендации

  1. ^ а б c d е ж грамм Интерактивный визуальный анализ научных данных. Штеффен Эльце, Гельмут Долайш, Хельвиг Хаузер, Гюнтер Вебер. Презентация на IEEE VisWeek 2012, Сиэтл (Вашингтон), США
  2. ^ а б Хаузер, Хельвиг. «Обобщающий фокус + контекстная визуализация». Научная визуализация: визуальное извлечение знаний из данных. Springer Berlin Heidelberg, 2006. 305-327.
  3. ^ Греш, Донна Л. и др. «WEAVE: система для визуального связывания трехмерной и статистической визуализаций, применяемая к кардиологическому моделированию и данным измерений». Материалы конференции «Визуализация'00». Издательство IEEE Computer Society Press, 2000.
  4. ^ Долейш, Гельмут, Мартин Гассер и Хельвиг Хаузер. «Интерактивная спецификация функций для фокусировки + контекстная визуализация сложных данных моделирования». Труды симпозиума по визуализации данных 2003. Eurographics Association, 2003.
  5. ^ а б Долейш, Гельмут. Визуальный анализ сложных данных моделирования с использованием нескольких разнородных представлений. 2004 г.
  6. ^ а б c Керер, Йоханнес. Интерактивный визуальный анализ многогранных научных данных. Кандидатская диссертация, факультет информатики, Бергенский университет, Норвегия, 2011 г.
  7. ^ а б c d е Кониха, Золтан и др. «Интерактивный визуальный анализ семейств кривых с использованием агрегирования и вывода данных». Материалы 12-й Международной конференции по управлению знаниями и технологиям знаний. ACM, 2012.
  8. ^ а б Маткович, Крешимир и др. «ComVis: скоординированная система нескольких представлений для создания прототипов новой технологии визуализации». Информационная визуализация, 2008. IV'08. 12-я международная конференция. IEEE, 2008 г.
  9. ^ Робертс, Джонатан С. «Современное состояние: скоординированные и множественные представления в исследовательской визуализации». Скоординированные и множественные представления в исследовательской визуализации, 2007. CMV'07. Пятая международная конференция. IEEE, 2007.
  10. ^ Мартин, Аллен Р. и Мэтью О. Уорд. «Кисть большого размера для интерактивного исследования многомерных данных». Материалы 6-й конференции по визуализации'95. Компьютерное общество IEEE, 1995.
  11. ^ Кейм, Дэниел А. "Визуализация информации и визуальный анализ данных". Визуализация и компьютерная графика, IEEE Transactions на 8.1 (2002): 1-8.
  12. ^ Долейш, Гельмут и Хельвиг Хаузер. «Плавная чистка для фокуса + контекстная визуализация данных моделирования в 3D». Журнал WSCG 10.1 (2002): 147-154.
  13. ^ Лэмпинг, Джон, Рамана Рао и Питер Пиролли. «Техника фокус + контекст, основанная на гиперболической геометрии для визуализации больших иерархий». Материалы конференции SIGCHI «Человеческий фактор в вычислительных системах». ACM Press / Addison-Wesley Publishing Co., 1995.
  14. ^ а б Кониха, Золтан и др. «Интерактивный визуальный анализ семейств графиков функций». Визуализация и компьютерная графика, IEEE Transactions on 12.6 (2006): 1373-1385.
  15. ^ а б c d Oeltze, Steffen и др. «Интерактивный визуальный анализ данных перфузии». Визуализация и компьютерная графика, IEEE Transactions on 13.6 (2007): 1392-1399.
  16. ^ Долейш, Гельмут. «SimVis: Интерактивный визуальный анализ больших и зависящих от времени данных трехмерного моделирования». Материалы 39-й конференции «Зимний симулятор: 40 лет!» Лучшее еще впереди. IEEE Press, 2007.