[논문 리뷰] SkyLens: Visual Analysis of Skyline on Multi-dimensional Data

Xun Zhao, Yanhong Wu외 6명|arXiv (Cornell University)|2017. 08. 11.

Data Management and Algorithms참고 문헌 33인용 수 3

한 줄 요약

SkyLens는 다차원 데이터에서 스카이라인 포인트의 해석과 비교를 돕는 시각적 분석 시스템으로, 그 우월성을 이끌어내는 결정적 부분공간과 지배 관계를 드러낸다. 클러스터/이상치 탐지에 적합한 프로젝션 뷰, 속성 수준 순위 매기기에 적합한 탭두럴 뷰, 상세한 속성 및 지배 분석에 적합한 비교 뷰를 결합하여, 다기준 상황에서 의사결정 효율을 크게 향상시킨다.

ABSTRACT

Skyline queries have wide-ranging applications in fields that involve multi-criteria decision making, including tourism, retail industry, and human resources. By automatically removing incompetent candidates, skyline queries allow users to focus on a subset of superior data items (i.e., the skyline), thus reducing the decision-making overhead. However, users are still required to interpret and compare these superior items manually before making a successful choice. This task is challenging because of two issues. First, people usually have fuzzy, unstable, and inconsistent preferences when presented with multiple candidates. Second, skyline queries do not reveal the reasons for the superiority of certain skyline points in a multi-dimensional space. To address these issues, we propose SkyLens, a visual analytic system aiming at revealing the superiority of skyline points from different perspectives and at different scales to aid users in their decision making. Two scenarios demonstrate the usefulness of SkyLens on two datasets with a dozen of attributes. A qualitative study is also conducted to show that users can efficiently accomplish skyline understanding and comparison tasks with SkyLens.

연구 동기 및 목표

• 특정 데이터 포인트가 스카이라인에 포함되는 이유를 해석하는 데 도전하는 데 초점 맞추기, 특히 그 우월성이 복잡한 다중 속성 조합에서 기인할 경우.
• 서로 지배하지 않는 스카이라인 포인트를 체계적으로 비교할 수 있도록 지원하여, 기존 스카이라인 쿼리가 비지배 포인트만 식별하는 한계를 극복하기.
• 스카이라인 의미와 관계에 대한 시각적 상호작용 탐색을 통해 다기준 의사결정의 인지 부담을 줄이기.
• 특정 포인트가 스카이라인에 포함되는 데 기여하는 요소—예를 들어 어떤 속성 또는 부분공간이 지배를 이끌었는지—를 전용 시각적 인코딩을 통해 이해할 수 있도록 지원하기.
• 사용자 정의의 유연한 상호작용을 지원하기 위해, 스카이라인 쿼리의 정밀 조정과 속성 및 포인트의 동적 재정렬을 통해 집중적인 분석을 가능하게 하기.

제안 방법

• 시스템은 스카이라인 포인트를 기호로 시각화하여 군집 패턴과 이방자들을 보여주는 프로젝션 뷰를 활용하여, 즉각적인 시각적 인식을 통해 구조적 특징을 식별할 수 있도록 한다.
• 탭두럴 뷰는 세부 속성 값과 각 스카이라인 포인트의 속성별 성능 순위를 제시하며, 스카이라인 포인트의 포함 원인이 되는 결정적 부분공간을 강조한다.
• 비교 뷰는 최대 몇 개의 스카이라인 포인트를 동시에 분석할 수 있도록 하며, 차원별 속성 간 차이와 지배 관계를 모두 시각화함으로써 상세한 분석을 가능하게 한다.
• 제어 패널을 통해 사용자는 속성과 포인트를 선택하거나 필터링하여 스카이라인 쿼리의 정밀 조정이 가능하며, 반복적 탐색을 지원한다.
• 필터링, 재정렬, 팝업 비교 창(예: 레바론 재미스 대 크리스 폴)과 같은 상호작용 기능을 통해 사용자가 중심을 둔 분석을 수행할 수 있도록 지원한다.
• 계산에는 Börzsönyi 등이 제안한 스카이라인 알고리즘을 활용하며, 더 큰 데이터셋에서의 성능 최적화 가능성도 고려한다.

실험 결과

연구 질문

• RQ1 스카이라인에 포함된 데이터 포인트가 복잡한 다중 속성 조합에서 기인한 우월성을 보일 때, 사용자가 그 원인을 효과적으로 이해할 수 있는 방법은 무엇인가?
• RQ2 비지배 상호작용 포인트를 비교할 수 있도록 지원하는 시각적 및 상호작용 기법은 무엇인가? 특히 단일 지표로 쉽게 순위를 매길 수 없는 경우에 유용한 기법.
• RQ3 시스템은 사용자가 개별 속성과 부분공간이 스카이라인 포인트의 포함 여부에 기여하는 방식을 이해하는 데 어떻게 기여할 수 있는가?
• RQ4 시각적 분석은 다기준 선택 작업에서 인지 부담을 어떻게 줄이고 의사결정 효율을 향상시킬 수 있는가?
• RQ5 사용자가 목표가 모호하거나 변화하는 상황일 때, SkyLens를 사용할 경우 LineUp과 비교해 어떤 차이가 있는가?

주요 결과

• 사용자들은 SkyLens가 스카이라인 포인트의 이해와 비교 능력을 크게 향상시킨다고 보고했다. 특히 데이터셋에 대한 사전 지식이 제한된 경우에 특히 유용했다.
• 정성적 연구 결과, 사용자는 목표가 모호하거나 변화하는 경우에도 SkyLens를 통해 스카이라인 이해 및 비교 작업을 효율적으로 수행할 수 있었다.
• 목표가 모호한 상황에서는 사용자가 SkyLens를 LineUp보다 선호했으며, 목표와 트레이드오프가 명확한 경우 LineUp이 더 선호되었다.
• 프로젝션 뷰는 100개 이상의 포인트가 있는 경우에도 군집과 이방자를 효과적으로 식별하는 데 기여했으며, 기호 겹침 문제도 수용 가능한 수준이었다.
• 탭두럴 뷰는 각 스카이라인 포인트의 결정적 부분공간을 성공적으로 드러내어, 어떤 속성 또는 조합이 지배를 이끌었는지 이해하는 데 기여했다.
• 비교 뷰는 속성값과 지배 관계 양면에서 여러 스카이라인 포인트를 상세하고 편향 없는 방식으로 비교할 수 있도록 하여, 세밀한 의사결정을 지원했다.