FDive：利用基于模式的相似性度量学习相关性模型

在大型高维数据集中检测有趣模式因维度和模式复杂性而十分困难。因此，分析人员需要自动化的支持来提取相关模式。本文提出 FDive，一个可视化主动学习系统，它通过学习基于模式的相似性来辅助创建可视觉探索的相关性模型。我们利用一小部分用户提供的标签，根据各相似性度量（由特征描述符与距离函数组合构成）区分相关与无关数据的能力对其进行排序。基于排名最高的相似性度量，系统计算一个基于交互式自组织地图（Self-Organizing Map）的相关性模型，该模型根据簇归属对数据进行分类。它还会自动提示进一步的相关性反馈以提高准确性。不确定性区域（尤其在决策边界附近）被高亮显示并可由用户细化。我们通过与最先进的特征选择技术比较来评估我们的方法，并通过一个对脑细胞电子显微镜图像进行分类的案例研究证明了我们方法的有用性。结果表明，FDive 提升了相关性模型的质量与可理解性，从而能为脑研究带来新的见解。