[논문 리뷰] Applying Machine Learning Advances to Data Visualization: A Survey on ML4VIS.

Qianwen Wang, Zhutian Chen외 2명|arXiv (Cornell University)|2020. 12. 01.

Data Visualization and Analytics참고 문헌 7인용 수 22

한 줄 요약

이 종합 검토는 기계 학습을 시각화 과정에 통합하여 설계, 개발 및 평가를 향상시키는 ML4VIS 프레임워크를 소개한다. 데이터 처리, 표현, 통찰 커뮤니케이션, 스타일 모방, 상호작용, 인지 등 여섯 가지 핵심 시각화 과정을 기계 학습 작업과 연결하여 구조화된 파이프라인을 제공하고, 기계 학습 기반 시각화 분야의 향후 연구 기회를 규명한다.

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

연구 동기 및 목표

• 기계 학습이 시각화 과정을 향상시키는 데 있어 체계적인 이해가 점점 더 필요해지는 데 대응하기 위해.
• 기계 학습 기법이 유용하게 작용할 수 있는 특정 시각화 과정을 식별하고 분류하기 위해.
• 시각화 작업을 해당 기계 학습 학습 작업과 매핑하여 기계 학습 능력과 시각화 요구 사항을 일치시키기 위해.
• 현재의 관행을 분석하고 ML4VIS 분야의 향후 연구 기회를 부각하기 위해.
• 지능형 시각화 시스템 분야의 향후 연구 및 개발을 위한 기초가 되는 구조화된 ML4VIS 파이프라인을 제공하기 위해.

제안 방법

• 반복적인 패턴과 응용을 식별하기 위해 \paperNum개의 ML4VIS 연구를 체계적으로 조사한다.
• 시각화 과정을 여섯 가지 범주로 분류한다: VIS 기반 데이터 처리, 데이터 표현, 통찰 커뮤니케이션, 스타일 모방, VIS 상호작용, VIS 인지.
• 여섯 가지 시각화 과정 각각을 관련된 기계 학습 학습 작업(예: 분류, 생성, 강화 학습 등)에 매핑한다.
• 기계 학습 기법을 시각화 라이프사이클 전반에 통합하는 ML4VIS 파이프라인을 구성한다.
• 현재의 연구 추세를 분석하고, 시각화 단계 전반에서 데이터 표현, 평가 및 응용 분야의 격차를 규명한다.
• 조사를 통해 도출된 매핑과 결과를 탐색할 수 있도록 상호작용 가능한 웹 기반 브라우저를 제공한다.

실험 결과

연구 질문

• RQ1 기계 학습 기법이 효과적으로 지원할 수 있는 시각화 과정은 무엇인가요?
• RQ2 기계 학습 기법을 특정 시각화 문제를 해결하는 데 어떻게 체계적으로 적용할 수 있나요?
• RQ3 핵심 시각화 과정과 일치하는 기계 학습의 핵심 학습 작업은 무엇인가요?
• RQ4 ML4VIS 연구 환경에서 현재의 한계점과 향후 기회는 무엇인가요?
• RQ5 ML4VIS 파이프라인은 종단 간 지능형 시각화 시스템을 지원하기 위해 어떻게 구성되어야 하나요?

주요 결과

• VIS 기반 데이터 처리, 데이터 표현, 통찰 커뮤니케이션, 스타일 모방, VIS 상호작용, VIS 인지 등 여섯 가지 핵심 시각화 과정은 모두 기계 학습 기법으로 크게 향상된다.
• 여섯 가지 과정 각각은 분류(통찰 커뮤니케이션에 적합) 및 생성 모델링(스타일 모방에 적합)과 같은 고유한 기계 학습 학습 작업에 매핑된다.
• ML4VIS 파이프라인은 시각화 라이프사이클 전반에 걸쳐 기계 학습 기법을 통합하는 데 구조화된 프레임워크를 제공하여 설계 및 평가를 향상시킨다.
• 현재 연구는 데이터 표현 및 통찰 커뮤니케이션 분야에서 뚜렷한 진전을 보이고 있으나, 인지 모델링 및 상호작용 학습 분야에서는 제한된 연구가 이루어지고 있다.
• 재현 가능한 연구를 지원하기 위해 ML4VIS 분야에서 더 표준화된 평가 지표와 벤치마크 데이터 세트가 필요하다는 점이 조사에서 드러났다.
• 조사를 통해 도출된 매핑과 결과를 탐색할 수 있도록 상호작용 가능한 웹 기반 브라우저가 제공되어, 향후 연구 및 도구 개발을 지원한다.