[論文レビュー] InfiniViz: Interactive Visual Exploration using Progressive Bin Refinement

Niranjan Kamat, Arnab Nandi|arXiv (Cornell University)|Oct 5, 2017

Data Visualization and Analytics参考文献 27被引用数 3

ひとこと要約

InfiniVizは、時間の経過に従って段階的にビンの解像度を高めるプログレッシブ・ビン精錬パラダイムを導入することで、サンプリング誤差を回避し、大規模データセットのインタラクティブな可視化探索を誤差なしで可能にする。結果の精錬を第一級のクエリ演算子として扱い、情報理論的指標を用いて精錬基準のバランスを取ることで、計算的および認知的負荷を低減し、ユーザーが最大で10倍のクエリをはるかに低いコストで、最小限の情報損失で実行できる。

ABSTRACT

Interactive visualizations can accelerate the data analysis loop through near-instantaneous feedback. To achieve interactivity, techniques such as data cubes and sampling are typically employed. While data cubes can speedup querying for moderate-sized datasets, they are ineffective at doing so at a larger scales due to the size of the materialized data cubes. On the other hand, while sampling can help scale to large datasets, it adds sampling error and the associated issues into the process. While increasing accuracy by looking at more data may sometimes be valuable, providing result minutiae might not be necessary if they do not impart additional significant information. Indeed, such details not only incur a higher \emph{computational} cost, but also tax the \emph{cognitive} load of the analyst with worthless trivia. To reduce both the computational and cognitive expenses, we introduce \emph{InfiniViz}. Through a novel result refinement-based querying paradigm, \emph{InfiniViz} provides error-free results for large datasets by increasing bin resolutions progressively over time. Through real and simulated workloads over real and benchmark datasets, we evaluate and demonstrate \emph{InfiniViz}'s utility at reducing both cognitive and computational costs, while minimizing information loss.

研究の動機と目的

• 大規模データセットの可視化分析におけるインタラクティブ性と正確性の両立を解決すること。
• サンプリング誤差や全データ処理を回避することで、インタラクティブなデータ探索における計算的および認知的負荷を低減すること。
• 可視クエリシステムにおける結果の精錬を第一級の演算子として導入し、サンプリングやデータキューブ手法を置き換えたり補完したりすること。
• ビンサイズを制御することで情報損失を最小限に抑えつつ、誤差のない測定結果を維持すること。
• 低遅延で段階的に精錬される可視化を通じて、複雑な仮説を高速に探索できるようにすること。

提案手法

• 初期段階では粗い可視結果を提示し、時間の経過とともに精錬を進める、プログレッシブ・ビン精錬と呼ばれる新しいクエリパラダイムを提案する。
• 結果の数、平均偏差、相対エントロピー変化、精錬レベルといった複数の精錬基準をサポートする一般化精錬演算子（GRO）を導入する。
• 矛盾する精錬基準をバランスさせるために情報理論的指標を用い、精錬プロセスをガイドする。
• 誤差を測定の正確性ではなくビンサイズに集約する近似クエリとしてのバインニングを採用する。
• 全データキューブの物性化を回避するため、既存のバックエンドシステム（例：Nanocubes、Dwarfcubes）をミドルウェアとして活用する。
• Web Workersを用いたリアルタイム実行とプログレッシブレンダリングにより、応答時間を100ms未満に維持する。

実験結果

リサーチクエスチョン

• RQ1 プログレッシブ・ビン精錬は、サンプリング誤差を導入せずに、インタラクティブな可視化分析における計算的および認知的コストを低減できるか？
• RQ2 精錬を第一級の演算子として扱うことで、大規模データ探索におけるユーザーの効率性と仮説検証の質がどのように向上するか？
• RQ3 情報理論的指標を用いることで、競合する精錬基準（例：結果数と解像度）をどれほど効果的にバランスさせられ、情報損失を最小限に抑えられるか？
• RQ4 応答時間、正確性、ユーザー生産性の観点から、InfiniVizはサンプリングベースおよびデータキューブベースのシステムと比べてどの程度優れているか？
• RQ5 プログレッシブ精錬は、低遅延かつ高インタラクティビティを維持しながら、複雑な多次元クエリをサポートできるか？

主な発見

• InfiniVizは100ms未満の応答時間を達成し、インタラクティブな探索中にほぼ即時のフィードバックを提供できる。
• 全ビン化されていないデータセットをクエリするのと比較して、計算コストを2桁低減した。
• 従来のサンプリングやデータキューブ手法と比較して、ユーザーは最大で10倍のクエリを実行できた。
• 一般化精錬演算子における情報理論的指標の使用により、結果数と解像度といった矛盾する精錬基準を効果的にバランスさせられた。
• プログレッシブ精錬により認知的負荷が顕著に低減され、ユーザーがサンプリング誤差や不要な詳細の解釈に煩わされなくなる。
• ユーザー実験の結果、InfiniVizを用いることで仮説検証の速度と探索の深さに統計的に有意な向上が見られた。