迈向可视化技术的自动比较：在图可视化中的应用

在过去的几十年中，已开展了许多数据可视化技术的终端用户评估。其结果构建了高效可视化系统的基石。然而，设计此类评估始终复杂且耗时，并可能导致缺乏统计证据与可重复性。我们相信现代且高效的计算机视觉技术，例如深度卷积神经网络（CNN），可帮助可视化研究人员构建和/或调整其评估假设。我们想法的基石是在多种可视化技术上训练机器学习模型以解决特定任务。我们的假设是，基于对应模型的性能来比较可视化技术的效率是可能的。由于当前机器学习模型无法严格反映人类能力（包括其不完美性），此类结果应谨慎解释。然而，我们认为使用基于机器学习的预评估作为标准用户评估的预处理，应有助于研究人员对其设计空间进行更详尽的研究。因此，应通过提供更好的测试用例来改进其最终用户评估。在本文中，我们呈现了为评估用户与计算机视觉技术性能相关性程度而开展的两个实验的结果。该研究比较了两种主流图可视化技术：节点-链接（\NL）图与邻接矩阵（\MD）图。使用两个著名的深度卷积神经网络，我们部分复现了 Ghoniem \textit{et al.} 与 Okoe \textit{et al.} 的用户评估。这些实验表明某些用户评估结果可被自动复现。