通过动态重加权的选择偏差校正可视化
人机交互
2020-12-07 v2
摘要
从复杂系统（如电子健康记录或点击流数据）收集和可视化分析大规模数据已在广泛行业中变得越来越常见。然而，这类回顾性可视化分析易受多种选择偏差效应影响，尤其对于高维数据，在任何时刻仅可视化维度的子集。当分析人员在临时分析中动态应用过滤器或执行分组操作时，选择偏差的风险甚至更高。这些偏差效应威胁到可视化分析中发现并作为决策基础的洞见的有效性与可推广性。过去的工作聚焦于偏差透明性，帮助用户理解选择偏差可能何时发生。然而，通过偏差缓解来抵消选择偏差效应通常留给用户作为独立过程完成。动态重加权（DR）是一种新颖的计算性选择偏差缓解方法，帮助用户制作偏差校正的可视化。本文描述 DR 工作流，介绍关键 DR 可视化设计，并呈现支持 DR 过程的统计方法。还报告了来自医学领域的用例以及领域专家用户访谈的发现。
引用
@article{arxiv.2007.14964,
title = {Selection-Bias-Corrected Visualization via Dynamic Reweighting},
author = {David Borland and Jonathan Zhang and Smiti Kaul and David Gotz},
journal= {arXiv preprint arXiv:2007.14964},
year = {2020}
}
备注
This article will be published in IEEE Transactions on Visualization and Computer Graphics (TVCG) in January 2021. The work will also be presented at IEEE VIS 2020. Video figure available here: https://vimeo.com/442775090