[논문 리뷰] InfiniViz: Interactive Visual Exploration using Progressive Bin Refinement

Niranjan Kamat, Arnab Nandi|arXiv (Cornell University)|2017. 10. 05.

Data Visualization and Analytics참고 문헌 27인용 수 3

한 줄 요약

InfiniViz는 시간이 지남에 따라 바이닝 해상도를 점진적으로 높이는 프로그레시브 바이닝 정밀화 파рад림을 도입하여, 샘플링 오차 없이 대규모 데이터셋에 대한 상호작용 가능한 시각적 탐색을 가능하게 한다. 결과 정밀화를 일등 쿼리 연산자로 간주하고 정보 이론적 메트릭을 사용하여 정밀화 기준을 균형 잡음으로써, 계산적 및 인지적 부담을 감소시켜 사용자가 오차 없는 측정 결과를 유지하면서도 비용을 크게 낮추고 정보 손실을 최소화한 채로 약 한 계급 더 많은 쿼리를 실행할 수 있도록 한다.

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.

연구 동기 및 목표

• 대규모 데이터셋의 시각적 분석에서 상호작용성과 정확성 간의 갈등을 해결하기 위해.
• 샘플링 오차와 전체 데이터 처리를 피하여 상호작용적 데이터 탐색에서 계산적 및 인지적 오버헤드를 감소시키기 위해.
• 결과 정밀화를 시각 쿼리 시스템에서 일등 연산자로 도입하여 샘플링 및 데이터 큐브 접근 방식을 대체하거나 보완하기 위해.
• 바이닝 크기를 제어함으로써 정보 손실을 최소화하면서도 오류 없는 측정 결과를 유지하기 위해.
• 저지연, 점진적 정밀화 시각화를 통해 사용자가 복잡한 가설을 더 빠르게 탐색할 수 있도록 하기 위해.

제안 방법

• 초기에는 굵은 결과를 제공하고 시간이 지남에 따라 정밀도를 높이는 새로운 쿼리 파라다임인 프로그레시브 바이닝 정밀화를 제안한다.
• 결과 수, 평균 이탈도, 상대 엔트로피 변화, 정밀화 수준 등 다양한 정밀화 기준을 지원하는 일반화된 정밀화 연산자(GRO)를 도입한다.
• 상충되는 정밀화 기준을 균형 잡고 정밀화 과정을 이끄는 데 정보 이론적 메트릭을 사용한다.
• 오차가 측정 정확도가 아니라 바이닝 크기에 포함되는 근사 쿼리 방식으로 바이닝을 활용한다.
• 전체 데이터 큐브 물리적 생성을 피하기 위해 기존 백엔드 시스템(Nanocubes, Dwarfcubes 등)을 미들웨어로 활용한다.
• 웹 워커를 사용하여 실시간으로 쿼리를 실행하고 프로그레시브 렲팅을 통해 100ms 이내의 반응 시간을 유지한다.

실험 결과

연구 질문

• RQ1 프로그레시브 바이닝 정밀화는 샘플링 오차 없이 상호작용적 시각적 분석에서 계산적 및 인지적 비용을 줄일 수 있는가?
• RQ2 정밀화를 일등 연산자로 간주함으로써 사용자 효율성과 대규모 데이터 탐색에서의 가설 검증 속도는 어떻게 향상되는가?
• RQ3 정보 이론적 메트릭을 사용해 상충되는 정밀화 기준을 얼마나 잘 균형 잡을 수 있으며, 정보 손실는 최소화할 수 있는가?
• RQ4 반응 시간, 정확도, 사용자 생산성 측면에서 InfiniViz는 샘플링 기반 및 데이터 큐브 기반 시스템과 어떻게 비교되는가?
• RQ5 프로그레시브 정밀화는 저지연과 높은 상호작용성을 유지하면서도 다차원 복잡 쿼리를 지원할 수 있는가?

주요 결과

• InfiniViz는 100ms 이내의 반응 시간을 달성하여 상호작용 탐색 중 거의 즉각적인 피드백을 제공한다.
• 전체 바이닝되지 않은 데이터셋을 쿼리하는 것에 비해 계산 비용을 두 계급 감소시켰다.
• 전통적인 샘플링 또는 데이터 큐브 접근 방식에 비해 사용자는 InfiniViz를 통해 최대 한 계급 더 많은 쿼리를 실행했다.
• 일반화된 정밀화 연산자에서 정보 이론적 메트릭을 사용함으로써 결과 수와 해상도와 같은 상충되는 정밀화 기준을 효과적으로 균형 잡는 데 성공했다.
• 프로그레시브 정밀화는 사용자가 샘플링 오차나 불필요한 세부 정보를 해석하는 데 부담을 느끼지 않음으로써 인지적 부담을 크게 감소시켰다.
• 사용자 연구 결과, InfiniViz를 사용할 경우 가설 검증 속도와 탐색 깊이에서 통계적으로 유의미한 향상이 관찰되었다.