用于可视化有效性与可扩展性的可辨别性测试
人机交互
2019-07-29 v1
摘要
特定可视化方法的可扩展性受限于人们辨别由不同数据集绘制的图表之间差异的能力。理想情况下，当数据变化时，可视化以可感知的方式变化。当编码与被查看数据集的特征不匹配时，这种关系就会失效。不幸的是，可视化的设计和评估往往没有充分探究它们将如何响应各种各样的数据集。我们探索使用一种图像相似性度量——多尺度结构相似性指数(Multi-Scale Structural Similarity Index, MS-SSIM)，来测试数据可视化在多种数据集上的可辨别性。MS-SSIM能够在多个尺度上捕捉两个可视化之间的相似性，包括低层粒度变化和高层模式。未被MS-SSIM捕捉到的显著数据变化表明可视化的可辨别性和有效性较低。该度量的效用通过两项实证研究得到展示。在第一项中，我们比较了人类对一组散点图的相似性判断与MS-SSIM分数。在第二项中，我们计算了一组基础可视化的可辨别性值，并将其与有效性的经验测量进行比较。在这两种情况下，分析都表明该计算度量能够近似经验结果。我们的方法可用于根据可辨别性对竞争编码进行排序，并辅助为特定类型的数据分布选择可视化。
引用
@article{arxiv.1907.11358,
title = {Discriminability Tests for Visualization Effectiveness and Scalability},
author = {Rafael Veras and Christopher Collins},
journal= {arXiv preprint arXiv:1907.11358},
year = {2019}
}
备注
Accepted for presentation at IEEE VIS 2019, to be held October 20-25 in Vancouver, Canada; will be published in a special issue of IEEE Transactions on Visualization and Computer Graphics (TVCG)