基于机器学习的增强型可视化理论与方法

This project proposes to study the foundations and approaches of enhanced visualization based on machine learning. The key idea is to learn and transform meaningful feature representations to/from visual representations by leveraging well-established machine learning approaches from crowd intelligence and expert knowledge. This scheme could enhance the efficiency and quality of interactive visualization, and address the problems of the heavy dependency of the user performance as well as the strengths on visual cognition and the weakness on logic abstraction of current visualization theory and approaches. In the meantime, the interpretability and usability of machine learning approaches could be empowered by transforming feature representations to visual representations. We will demonstrate the effectiveness of the proposed scheme by a suite of examples for analyzing the simulation data of power systems.

本项目将研究基于机器学习的增强型可视化理论与方法。项目的核心目标是利用机器学习方法从群体智能和专家知识中学习的智能，从可视表达中学习和转换有意义的特征表达，从而增强交互可视化的效率和质量，克服常规可视化方法过于依赖用户的操作、强于形象而弱于抽象等挑战。同时，通过对机器学习的特征表达转换为可视表达，提升机器学习方法的可解释性和易用性。项目将以电力系统仿真数据的分析为实例，验证理论与方法的有效性。

可视化在数据分析方面的作用已被业界认可，成为各类数据分析理论框架或应用中的必备要素。如何优化可视化手段，进一步提升用户对可视表达的数据认知效率和分析推理效率，是亟待解决的问题。近年，机器学习作为高效的自动方法，得到了快速的发展。可视化的可视表达与机器学习中的特征表达存在融合共生的可能。因此可将机器智能作为优化可视化方法的手段。. 本项目基于机器学习的前沿技术，以电网、城市数据等实际应用案例为背景，研究了基于机器学习的增强型可视化理论与方法。具体研究问题为，如何基于机器学习的认知能力弥补人类的认知能力，提高可视化的效率和指令；如何基于机器学习的特征表达，为可视化方法给出定量评估；和如何利用可视表达，为机器学习方法提供可解释性。. 项目的重要结果分为：从面向认知过程、面向探索推理过程和面向分析流程这三个方面，具体包括对散点图和节点连接图的增强型可视表达，对时空数据的探索推理过程优化，以及对隐私保护的分析流程改进。相关成果发表或录用国际SCI期刊论文48篇（其中19篇为CCF-A类IEEE TVCG,28篇为IEEE/ACM Transactions期刊论文）,国际会议论文6篇（其中，本领域顶级会议IEEE VIS大会（CCF-A）报告论文3篇，人工智能领域顶级会议AAAI（CCF-A）报告论文1篇）。. 本项目重新审视了可视化与机器学习的本源关系，探索了两者融合共生的机理，高效利用机器的强大计算能力，以及机器学习从人类智能中学习的能力，对可视化的认知、分析过程进行解析，从而优化相关方法，提升可视化的表达能力，增加可视化对分析的支持作用，促进了可视化理论与技术的发展。

内容获取失败，请点击重试