Improving Interaction in Visual Analytics using ML

Interaksjon er en av de mest grunnleggende komponentene i visuelle analytiske systemer, som lar mennesker analysere og forstå data. Derfor er raske og nøyaktige interaksjonsteknikker nøkkelen til å etablere en vellykket dialog mellom menneske og datamaskin. Maskinlæring er en gren av kunstig intelligens som gir systemer muligheten til automatisk å lære og forbedre seg, uten å være eksplisitt programmert. Denne grenen har blitt brukt innenfor flere felt, spesielt når det ikke er mulig å utvikle en vanlig algoritme som løser problemet. Dette gjelder også innenfor visualisering, og derfor har vi brukt maskinlæring til å forbedre interaksjonsmetoder innenfor visuell analyse.

Først presenterer vi en ny, rask og nøyaktig teknikk for spredningsplott, basert på Mahalanobis brush, som vi har optimalisert ved hjelp av data fra en brukerstudie. Vi presenterer så en ny løsning for en nesten perfekt skissebasert teknikk, der vi utnytter et konvolusjonelt nevralt nettverk (CNN) for å estimere det tiltenkte datautvalget fra en rask og enkel klikk-og-dra-interaksjon og fra datadistribusjonen i visualiseringen. Deretter presenterer vi et innovativt rammeverk som gir brukeren muligheter til å forbedre teknikken mens du bruker den. Vi testet dette rammeverket med CNN-basert brushing og resultatet viser at den underliggende modellen kan forbedres (spesielt mtp. nøyaktighet) og personaliseres med svært kort tid med omskolering. Dessuten, for å undersøke i hvilken grad mennesket bør involveres i modelldesignet og hvor god den empiriske modellen kan være med en mer forsiktig design, utvidet vi vår Mahalanobis brush (den beste nåværende empiriske modellen når det gjelder nøyaktighet for brush-punkter i et spredningsplott) ved ytterligere å inkorporere datadistribusjonsinformasjonen, fanget opp av Kernel Density Estimation (KDE). Til slutt introduserer vi en ny, maskinlæringsbasert tilnærming som muliggjør rask og nøyaktig søking gjennom tidsseriedata basert på en rask skisseinteraksjon.

Personalia

Chaoran Fan (f. 1990) er stipendiat ved Institutt for informatikk, Universitetet i Bergen. Hans forskningsinteresser er informasjonsvisualisering (InfoVis). Mer spesifikt, er hans arbeid fokusert på å bruke maskinlæring til å forbedre brukerinteraksjoner innenfor visuell analyse, ved hjelp av maskinlæring. Han er veiledet av Helwig Hauser og medveiledning av Krešimir Matković.