CLAMS:用于估计视觉聚类中感知可变性的簇模糊性度量
人机交互
2023-08-14 v2 机器学习
摘要
视觉聚类是散点图中一项常见的感知任务,支撑着多种分析任务(如簇识别)。然而,即便面对同一散点图,由于个体间差异及簇边界模糊,感知簇的方式(即进行视觉聚类)也会不同。尽管这种感知可变性令基于视觉聚类的数据分析可靠性存疑,我们仍缺乏系统方法来高效评估该可变性。本研究探讨视觉聚类中的感知可变性,称之为簇模糊性。为此,我们引入 CLAMS,一种数据驱动的视觉质量度量,用于自动预测单色散点图中的簇模糊性。我们首先开展定性研究,以确定影响簇视觉分离的关键因素(如簇间邻近度或尺寸差异)。基于研究发现,我们部署了一个回归模块来估计人工判定的两簇可分离性。随后,CLAMS 通过分析该模块生成的所有簇间两两可分离性聚合结果来预测簇模糊性。CLAMS 在预测真实簇模糊性上优于广泛使用的聚类技术,同时其表现可与人工标注者媲美。我们以两个利用 CLAMS 优化和基准测试数据挖掘技术的应用作结。CLAMS 的交互演示见 clusterambiguity.dev。
引用
@article{arxiv.2308.00284,
title = {CLAMS: A Cluster Ambiguity Measure for Estimating Perceptual Variability in Visual Clustering},
author = {Hyeon Jeon and Ghulam Jilani Quadri and Hyunwook Lee and Paul Rosen and Danielle Albers Szafir and Jinwook Seo},
journal= {arXiv preprint arXiv:2308.00284},
year = {2023}
}
备注
IEEE Transactions on Visualization and Computer Graphics (TVCG) (Proc. IEEE VIS 2023); equally contributed by Hyeon Jeon and Ghulam Jilani Quadri