[論文レビュー] Applying Machine Learning Advances to Data Visualization: A Survey on ML4VIS.

Qianwen Wang, Zhutian Chen+2 more|arXiv (Cornell University)|Dec 1, 2020

Data Visualization and Analytics参考文献 7被引用数 22

ひとこと要約

本サーベイは、設計、開発、評価を向上させるために機械学習を可視化プロセスに統合するフレームワークであるML4VISを紹介する。6つの主要な可視化プロセス—データ処理、プレゼンテーション、インサイトの通信、スタイルの模倣、インタラクション、知覚—を機械学習タスクにマッピングし、構造的なパイプラインを提供するとともに、機械学習支援可視化分野における今後の研究機会を同定する。

ABSTRACT

Inspired by the great success of machine learning (ML), researchers have applied ML techniques to visualizations to achieve a better design, development, and evaluation of visualizations. This branch of studies, known as ML4VIS, is gaining increasing research attention in recent years. To successfully adapt ML techniques for visualizations, a structured understanding of the integration of ML4VIS is needed. In this paper, we systematically survey \paperNum ML4VIS studies, aiming to answer two motivating questions: what visualization processes can be assisted by ML? and how ML techniques can be used to solve visualization problems? This survey reveals six main processes where the employment of ML techniques can benefit visualizations: VIS-driven Data Processing, Data Presentation, Insight Communication, Style Imitation, VIS Interaction, VIS Perception. The six processes are related to existing visualization theoretical models in an ML4VIS pipeline, aiming to illuminate the role of ML-assisted visualization in general visualizations. Meanwhile, the six processes are mapped into main learning tasks in ML to align the capabilities of ML with the needs in visualization. Current practices and future opportunities of ML4VIS are discussed in the context of the ML4VIS pipeline and the ML-VIS mapping. While more studies are still needed in the area of ML4VIS, we hope this paper can provide a stepping-stone for future exploration. A web-based interactive browser of this survey is available at this https URL

研究の動機と目的

• 機械学習が可視化プロセスをどのように向上させられるかを体系的に理解する必要が高まっていることを解決すること。
• 機械学習技術の恩恵を受ける可能性のある特定の可視化プロセスを同定し、分類すること。
• 可視化タスクを対応する機械学習タスクにマッピングし、機械学習の能力を可視化のニーズに一致させること。
• 現在の実践を分析し、ML4VIS分野における今後の研究機会を強調すること。
• 今後の研究開発の基盤として、知能化された可視化システムに向けた構造的なML4VISパイプラインを提供すること。

提案手法

• 「\paperNum」のML4VIS研究を体系的にサーベイし、繰り返し現れるパターンや応用を同定する。
• 可視化プロセスを6つのカテゴリに分類する：VIS駆動型データ処理、データプレゼンテーション、インサイト通信、スタイルの模倣、VISインタラクション、VIS知覚。
• 6つの可視化プロセスの各々を関連する機械学習タスク（例：分類、生成、強化学習）にマッピングする。
• 可視化ライフサイクル全体にわたって機械学習技術を統合するML4VISパイプラインを構築する。
• 現在の研究トレンドを分析し、可視化段階全体におけるデータ表現、評価、応用のギャップを同定する。
• 調査結果のマッピングと発見を視覚化・探索可能にするインタラクティブなウェブベースのブラウザを提供する。

実験結果

リサーチクエスチョン

• RQ1 どの可視化プロセスが機械学習技術によって効果的に支援できるか？
• RQ2 機械学習技術を特定の可視化問題を解決するために体系的にどのように適用できるか？
• RQ3 コア可視化プロセスと一致する機械学習の主な学習タスクは何か？
• RQ4 ML4VIS研究分野における現在の制限要因と今後の機会は何か？
• RQ5 エンドツーエンドの知能化可視化システムを支援するため、ML4VISパイプラインをどのように構築すべきか？

主な発見

• VIS駆動型データ処理、データプレゼンテーション、インサイト通信、スタイルの模倣、VISインタラクション、VIS知覚の6つのコア可視化プロセスは、すべて機械学習技術によって顕著に向上している。
• 6つのプロセスの各々が、インサイト通信には分類、スタイルの模倣には生成モデルなど、明確に異なる機械学習タスクに対応している。
• ML4VISパイプラインは、可視化ライフサイクル全体にわたり機械学習を統合する構造的フレームワークを提供し、設計と評価の両方を改善している。
• 現在の研究では、データプレゼンテーションとインサイト通信において顕著な進展が見られるが、知覚モデリングとインタラクション学習分野では限られた研究にとどまっている。
• 再現可能な研究を支援するため、ML4VIS分野における標準化された評価指標とベンチマークデータセットの必要性が同定された。
• 調査のマッピングと発見を探索しやすくするため、インタラクティブなウェブベースのブラウザが提供されており、今後の研究とツール開発を支援する。