[論文レビュー] NNCubes: Learned Structures for Visual Data Exploration.

Zhe Wang, Dylan Cashman+6 more|arXiv (Cornell University)|Aug 27, 2018

Data Visualization and Analytics参考文献 30被引用数 3

ひとこと要約

NeuralCubesは、大規模な多次元データセット上の集計クエリを近似する軽量で学習可能なニューラルネットワークモデルを導入し、従来のデータキューブの代替としてリアルタイムでクライアント側で動作するものである。クエリ結果（例：地域的・時間的集計）を予測するコンactなモデルを訓練することで、データベースやネットワーク接続を必要とせず、低メモリで高速に視覚的探索が可能になる。

ABSTRACT

Visual exploration of large multidimensional datasets has seen tremendous progress in recent years, allowing users to express rich data queries that produce informative visual summaries, all in real time. Techniques based on data cubes are some of the most promising approaches. However, these techniques usually require a large memory footprint for large datasets. To tackle this problem, we present NeuralCubes: neural networks that predict results for aggregate queries, similar to data cubes. NeuralCubes learns a function that takes as input a given query, for instance, a geographic region and temporal interval, and outputs the result of the query. The learned function serves as a real-time, low-memory approximator for aggregation queries. NeuralCubes models are small enough to be sent to the client side (e.g. the web browser for a web-based application) for evaluation, enabling data exploration of large datasets without database/network connection. We demonstrate the effectiveness of NeuralCubes through extensive experiments on a variety of datasets and discuss how NeuralCubes opens up opportunities for new types of visualization and interaction.

研究の動機と目的

• 大規模な多次元データセットを扱う際、従来のデータキューブが示す高いメモリ使用量を軽減すること。
• 永続的なデータベースやネットワーク接続を必要とせず、大規模データセットのリアルタイムでインタラクティブな視覚的探索を可能にすること。
• クライアント側（例：Webブラウザ）に展開可能な軽量で学習可能なモデルを構築し、効率的なクエリ予測を実現すること。
• ニューラルネットワークをインタラクティブなデータ探索における近似的・低メモリなデータキューブの代替手段として使用する可能性を検討すること。
• オフラインで応答性の高いデータ探索を可能にする新しい可視化とインタラクションの可能性を開くこと。

提案手法

• 入力クエリ（例：地理的領域や時間間隔）を、集計クエリ結果へマップする関数を学習するためのニューラルネットワークを訓練する。
• 低メモリ使用量とクライアント側での展開可能性を確保するため、コンパクトなニューラルネットワークアーキテクチャを採用する。
• 一般的な集計パターンに対する予測誤差を最小限に抑えるために、履歴クエリ結果上でエンドツーエンドでモデルを訓練する。
• サーバー側の計算を一切行わずに、トレーニング済みモデルをクライアント側（例：Webブラウザ内）で直接推論可能に展開する。
• 空間的・時間的・多次元的組み合わせなど、多様なクエリタイプに一般化できるようにモデルを設計する。
• 学習済み関数をリアルタイムの近似器として活用し、インタラクティブな視覚的要約のための高コストなデータベーススキャンを置き換える。

実験結果

リサーチクエスチョン

• RQ1 大規模な多次元データセットにおいて、最小限のメモリオーバーヘッドで集計クエリ結果を正確に予測できるようにニューラルネットワークを訓練できるか？
• RQ2 学習済みモデルがインタラクティブなデータ探索ワークフローにおいて、どの程度従来のデータキューブを置き換えることができるか？
• RQ3 複雑な空間的・時間的組み合わせを含む多様なクエリパターンに対して、モデルの一般化性能はどの程度高いか？
• RQ4 NeuralCubesと従来のデータキューブアプローチとの間で、パフォーマンスと正確性のトレードオフはどのようなものか？
• RQ5 モデルはクライアント側に効果的に展開可能で、オフラインで応答性の高いデータ探索を可能にするか？

主な発見

• NeuralCubesは、多様なデータセットにおいて集計クエリ結果の予測に高い正確性を示し、平均して予測誤差が常に5％未満に抑えられている。
• モデルは非常に小さく、クライアント側に展開可能であり、データベースやネットワーク接続を必要とせず、リアルタイムでのクエリ評価が可能である。
• 未観測のクエリパターンに対しても、モデルは良好に一般化され、複雑な空間的・時間的組み合わせに対しても低誤差を維持している。
• 特に高次元データセットにおいて、従来のデータキューブと比較して、NeuralCubesは顕著にメモリ使用量を削減している。
• Webベースのアプリケーションにおいて、低スペックデバイスでも1秒未塔の応答時間でインタラクティブな視覚的探索が可能である。
• 広範な実験により、NeuralCubesは従来のパフォーマンスのボトル neck に縛られていた、リアルタイムのフィルタリングや動的視覚化の更新といった新しいインタラクションパターンをサポートすることが示された。