[論文レビュー] Adding Semantic Information into Data Models by Learning Domain Expertise from User Interaction

Nathan O. Hodas, Alex Endert|arXiv (Cornell University)|Apr 6, 2016

Data Visualization and Analytics参考文献 4被引用数 8

ひとこと要約

本稿では、ユーザーのインタラクションから意味的特徴を学習する視覚的アナリティクスシステム、ActiveCanvasを提示する。このシステムは、データアイテムの空間的配置を通じてユーザーのメンタルモデルを推定することで、意味的特徴を抽出する。情報理論的最適化を用いて画像の位置を最適化し、ユーザー定義の意味的次元を抽出することで、分類精度を向上させるとともに、意思決定プロセスを加速する。ユーザーは90秒未満で意味的なクラスタリングを達成した。

ABSTRACT

Interactive visual analytic systems enable users to discover insights from complex data. Users can express and test hypotheses via user interaction, leveraging their domain expertise and prior knowledge to guide and steer the analytic models in the system. For example, semantic interaction techniques enable systems to learn from the user's interactions and steer the underlying analytic models based on the user's analytical reasoning. However, an open challenge is how to not only steer models based on the dimensions or features of the data, but how to add dimensions or attributes to the data based on the domain expertise of the user. In this paper, we present a technique for inferring and appending dimensions onto the dataset based on the prior expertise of the user expressed via user interactions. Our technique enables users to directly manipulate a spatial organization of data, from which both the dimensions of the data are weighted, and also dimensions created to represent the prior knowledge the user brings to the system. We describe this technique and demonstrate its utility via a use case.

研究の動機と目的

• 既存の特徴空間を超えて、ユーザーのドメイン専門知識をデータモデルに統合する課題に対処すること。
• ユーザーとのインタラクション中に、ユーザーの暗黙的なメンタルモデルに基づいて新しい意味的次元を推定・追加できる視覚的アナリティクスシステムを実現すること。
• 集団的に提供されたユーザーの空間的配置を学習可能な特徴として活用することで、意思決定と分類を加速すること。
• ユーザーが生成した空間的レイアウトが、再利用可能で意味的意味を持つデータ特徴にどのように変換できるかを調査すること。

提案手法

• ユーザーは、自分のメンタルモデルに従って画像を2次元キャンバス上に配置する。これにより、空間的近接性を通じてドメイン専門知識が暗黙的にエンコードされる。
• ActiveCanvasは、ユーザーが配置した位置と元のデータ特徴との間の相互情報量を最大化する情報理論的最適化を適用する。
• RBF-SVMを用いて、触れられたアイテムの最適化された位置に基づき、触れられていない画像の位置を予測する。
• ユーザーのフィードバックを繰り返し反映させることで、ユーザーの潜在的メンタルモデルとの整合性を高める。
• 最終的なユーザーの配置は、新しい意味的特徴として確定され、データモデルにユーザーが導出した次元が追加される。
• 本システムはアクティブユーザーとパッシブユーザーの両方をサポートしており、怠惰なユーザーは以前のユーザーがラベル付けした空間的配置から恩恵を受ける。

実験結果

リサーチクエスチョン

• RQ1 視覚的アナリティクスシステムは、元のデータ特徴に存在しない意味的次元をどのように推定・エンコードできるか？
• RQ2 キャンバス上のユーザーの空間的配置は、どの程度ドメイン固有のメンタルモデルを反映・保存できるか？
• RQ3 情報理論的手法は、ユーザー定義の意味的関係に一致するように画像の配置をどの程度効果的に最適化できるか？
• RQ4 異なるユーザーとタスクにおいて、ユーザーが生成した空間的特徴のスケーラビリティと再利用可能性はどの程度か？

主な発見

• ユーザーはActiveCanvasを用いて20枚の画像を90秒未満で意味的なクラスタリングに成功し、迅速な意思決定が可能であることを示した。
• システムは、ユーザーの空間的配置から「動物」「屋外」「明るい背景」などの意味的次元を効果的に推定した。
• 相互情報量の最大化により、システムはユーザーの潜在的メンタルモデルをよりよく反映するように画像の位置を最適化できた。
• ユーザーが提供した空間的配置は、将来の分類タスクに再利用可能な意味的特徴に成功して変換された。
• システムは曖昧なユーザー入力に対しても頑健であり、新しいユーザーが以前のユーザーがラベル付けした配置から利益を得られた。