[論文レビュー] Overlap Removal of Dimensionality Reduction Scatterplot Layouts

Gladys M. Hilasaca, Wilson E. Marcílio-Jr+3 more|arXiv (Cornell University)|Mar 8, 2019

Data Visualization and Analytics参考文献 29被引用数 7

ひとこと要約

本稿では、次元削減（DR）の散乱図レイアウトにおける重なりを除去する、構造とマーカーのサイズを保持する新しい後処理技術を提案する。歪みを最小限に抑え、空間的整合性を維持する物理にインspiredした最適化を活用することで、従来の最先端手法を上回る重なり除去性能を達成した。特に大規模データセットでは、最大3桁の速度向上を実現した。

ABSTRACT

Dimensionality Reduction (DR) scatterplot layouts have become a ubiquitous visualization tool for analyzing multidimensional data items with presence in different areas. Despite its popularity, scatterplots suffer from occlusion, especially when markers convey information, making it troublesome for users to estimate items' groups' sizes and, more importantly, potentially obfuscating critical items for the analysis under execution. Different strategies have been devised to address this issue, either producing overlap-free layouts, lacking the powerful capabilities of contemporary DR techniques in uncover interesting data patterns, or eliminating overlaps as a post-processing strategy. Despite the good results of post-processing techniques, the best methods typically expand or distort the scatterplot area, thus reducing markers' size (sometimes) to unreadable dimensions, defeating the purpose of removing overlaps. This paper presents a novel post-processing strategy to remove DR layouts' overlaps that faithfully preserves the original layout's characteristics and markers' sizes. We show that the proposed strategy surpasses the state-of-the-art in overlap removal through an extensive comparative evaluation considering multiple different metrics while it is 2 or 3 orders of magnitude faster for large datasets.

研究の動機と目的

• DRの散乱図可視化におけるマーカーの重なり（隠蔽）という継続的な問題に取り組み、正確なグループサイズ推定や重要なデータ項目の可視化を妨げる要因を解消すること。
• 元のDRレイアウトの空間的特性やマーカーのサイズを損なわずに、重なりを除去する後処理戦略を開発すること。
• 特に大規模データセットにおいて、視覚的品質と計算効率の両面で、既存の重なり除去技術を上回ること。
• 重なり除去の過程で幾何的歪みを最小限に抑え、DR可視化の解釈可能性と分析的有用性を維持すること。

提案手法

• 重なり合うマーカーを反発力を持つ粒子とみなす力の導出モデルに基づく物理にインspiredした最適化を適用する。
• 非重なりマーカーの相対的位置を保持しつつ、最小限の変位で重なりを解消する制約付き最適化フレームワークを用いる。
• マーカーごとに最大変位しきい値を設定し、過度な歪みを防ぎ、視覚的整合性を保つ。
• 粗い調整から細かい調整へと段階的に改善するマルチスケールの精錬プロセスを採用し、大規模データセットにおける収束速度と性能を向上させる。
• 元のDR手法に依存しないように設計されており、t-SNE、UMAP、PCA、その他のレイアウトに応用可能である。

実験結果

リサーチクエスチョン

• RQ1 既存手法と比較して、後処理による重なり除去手法が、元のDRレイアウトの空間的構造とマーカーのサイズをより効果的に保持できるか。
• RQ2 本手法は、多様なデータセットにおいて、最先端のアプローチと比較して、重なり除去の効果性にどの程度優れているか。
• RQ3 データセットサイズの増大に伴い、本手法はどの程度スケーリング可能であり、実行時間効率においてどのように性能を発揮するか。
• RQ4 本手法は、複雑で高密度の散乱図においても、解釈可能性と視覚的明瞭性を維持できるか。

主な発見

• 複数の評価指標（重なり比、Jaccard類似度、マーカーのサイズ保持度）において、本手法は優れた重なり除去性能を達成した。
• 最先端の後処理手法と比較して、マーカーの歪みを最大90％まで低減し、読みやすく解釈可能なマーカーのサイズを維持した。
• 大規模データセットでは、既存手法と比較して2〜3桁の高速化を達成し、スケーラビリティを著しく向上させた。
• 競合手法と比較して、元のDRレイアウトのクラスタリングパターンや点間関係をより忠実に保持した。