[论文解读] Beyond Heuristics: Learning Visualization Design

Bahador Saket, Dominik Moritz+4 more|arXiv (Cornell University)|Jul 17, 2018

Data Visualization and Analytics参考文献 24被引用 22

一句话总结

本文提出直接从经验用户数据中使用机器学习学习可视化设计原则，超越手动整理的启发式方法。它倡导可扩展的数据收集、可解释的模型以及随新数据演进的自适应系统，以实现自动化、无偏见且可复现的可视化推荐工具。

ABSTRACT

In this paper, we describe a research agenda for deriving design principles directly from data. We argue that it is time to go beyond manually curated and applied visualization design guidelines. We propose learning models of visualization design from data collected using graphical perception studies and build tools powered by the learned models. To achieve this vision, we need to 1) develop scalable methods for collecting training data, 2) collect different forms of training data, 3) advance interpretability of machine learning models, and 4) develop adaptive models that evolve as more data becomes available.

研究动机与目标

• 解决手动整理的可视化设计启发式方法更新缓慢且易受偏见影响的局限性。
• 通过图形感知研究实现从数据出发的自动化、数据驱动的可视化设计原则推导。
• 开发可扩展、可解释且可自适应的机器学习模型，随着新经验数据的出现而持续演进。
• 通过将现有感知研究数据整合到共享存储库中，提升其可访问性和可重用性。
• 构建能够解释其选择并随时间适应用户反馈和意图的可视化推荐系统。

提出的方法

• 利用来自图形感知研究的现有数据集，训练用于可视化设计的机器学习模型。
• 设计从用户表现数据中学习的模型，以推断有效的视觉编码方式和设计权衡。
• 集成可解释性工具，为基于模型的推荐生成人类可读的解释。
• 使用主动学习和数据整理策略，收集高质量、多样化且上下文丰富的训练数据。
• 开发能够整合用户反馈并随着新数据的收集与整合而演进的自适应模型。
• 标准化数据格式并创建集中式存储库，统一研究社区对感知研究结果的访问。

实验结果

研究问题

• RQ1 如何训练机器学习模型，使其能直接从经验用户表现数据中推导出可视化设计原则？
• RQ2 在收集、整理和标准化感知研究数据以训练稳健模型方面，面临哪些关键挑战？
• RQ3 如何使机器学习模型具备可解释性，以向最终用户解释其可视化推荐的原因？
• RQ4 在交互式数据探索过程中，推荐系统可通过哪些方式适应不断变化的用户意图和反馈？
• RQ5 如何设计模型，使其能随着新经验数据的出现而持续学习并不断改进？

主要发现

• 现有的可视化设计指南源于数十年的实证研究，但其整理方式为人工操作，更新缓慢。
• 基于感知研究数据训练的机器学习模型能够以更快、更可复现且无偏见的方式自动化应用设计原则。
• 可解释的模型对于解释推荐结果至关重要，例如说明为何推荐特定的可视化类型，或哪些数据属性影响了决策。
• 整合用户反馈的自适应模型能够随着时间推移提高推荐准确性，支持迭代式数据探索。
• 建立集中化、标准化的感知研究数据存储库将显著提升数据可访问性与模型泛化能力。
• 当前系统受限于静态特征集和训练数据；未来模型必须随新数据和新兴设计规则持续演进。