TIAViz: A Browser-based Visualization Tool for Computational Pathology Models
Tissue Image Analytics Center , University of Warwick , UK；Lung Institute , Imperial College London , UK
本文介绍了TIAViz，一个内置于TIAToolbox的开源、基于浏览器的Python可视化工具，支持将多种信息交互式叠加到全切片图像上，用于计算病理学机器学习模型的可视化。
2024-02-15 cs.CV cs.HC cs.LG
VizWiz Dataset Browser: A Tool for Visualizing Machine Learning Datasets
University of Texas at Austin（德克萨斯大学奥斯汀分校）
我们提出了一个可视化工具，详尽地搜索和浏览一组大规模的机器学习数据集。建立在VizWiz数据集之上，我们的数据集浏览器工具有可能支持和实现各种定性和定量研究，并为多模态信息的可视化和研究开辟新的方向。该工具可在https://vizwiz.org/browse上公开获取。
2019-12-19 cs.CV cs.HC cs.LG
lpviz: Interactive Linear Programming Visualization
New York University（纽约大学）；Georgia Institute of Technology（佐治亚理工学院）
lpviz是一款基于浏览器的线性规划可视化工具，提供直观界面让用户直接绘制和编辑可行域及目标向量，支持比较多种线性规划算法的性能，且开源免费。
2026-04-30 cs.HC math.OC
OpenRoundup: Multi-Table Data Wrangling Through Interactive Visualization
University of British Columbia（不列颠哥伦比亚大学）；Enigma Technologies, Inc.（Enigma科技有限公司）
提出OpenRoundup系统，通过交互式可视化支持数据记者无代码整合多张表格，采用模式优先、按需取值范式，并引入急切表合并与声明式词汇（Stack和Pack），复制研究证明其表达能力，部署研究确认对非编程从业者的实用性。
2026-06-12 cs.HC
Explore, Listen, Inspect: Supporting Multimodal Interaction with 3D Surface and Point Data Visualizations
本研究提出了网络原生系统 DIXTRAL，通过结合同步的听觉、视觉和文本反馈以及键盘与游戏手柄导航，支持盲人与低视力用户对三维表面和点数据可视化的多模态交互访问。
2025-08-12 cs.HC
BrainRing: An Interactive Web-Based Tool for Brain Connectivity Chord Diagram Visualization
Xidian University（西安电子科技大学）
BrainRing是一款无需安装或编程的交互式网页工具，可生成高质量的脑连接弦图，支持多种脑图集，提供实时参数调整和全面的边管理功能，实现快速生成出版级图像。
2026-03-28 cs.GR cs.HC
VAE Explainer: Supplement Learning Variational Autoencoders with Interactive Visualization
Georgia Institute of Technology（佐治亚理工学院）
针对变分自编码器现有讲解方式抽象静态的问题，研究提出可在浏览器运行的交互式工具VAE Explainer，通过可交互的模型输入、隐空间、输出及带注释的代码、实时计算图关联理论与实现，工具已上线且代码开源。
2024-09-13 cs.AI cs.HC cs.LG
DataMap: A Portable Application for Visualizing High-Dimensional Data
South Dakota State University（南达科他州立大学）
针对生物医学研究中高维数据可视化分析的需求，提出基于浏览器的DataMap应用，支持热图、PCA等可视化方法，保障数据隐私且无需安装，还能生成可复现代码。
2025-04-11 cs.HC cs.LG q-bio.QM
Visual Auditor: Interactive Visualization for Detection and Summarization of Model Biases
Georgia Tech（佐治亚理工学院）；Fiddler AI（Fiddler人工智能公司）
随着机器学习（ML）系统变得越来越普遍，有必要在部署之前审计这些系统的偏差。最近的研究开发了算法，可以有效地识别可解释的、表现不佳的数据子集（或切片）形式的交叉偏差。然而，这些解决方案及其见解是有限的，没有一个工具来直观地理解和与这些算法的结果进行交互。我们提出了Visual Auditor，一个交互式的可视化工具，用于审计和总结模型偏差。Visual Auditor通过提供可解释的交叉偏差（检查由多个特征定义的总体时存在的偏差）概述、有关问题数据切片之间关系的详细信息以及模型中表现不佳和表现出色的数据切片之间的比较来协助模型验证。我们的开源工具直接在计算笔记本和Web浏览器中运行，使模型审计可访问并轻松集成到当前的ML开发工作流程中。与Fiddler AI的领域专家合作进行的一项观察性用户研究强调，我们的工具可以帮助ML从业者识别和理解模型偏差。
2022-06-25 cs.HC cs.LG
SuperNOVA: Design Strategies and Opportunities for Interactive Visualization in Computational Notebooks
Georgia Tech（佐治亚理工学院）
本文通过分析163个笔记本可视化工具，揭示计算笔记本中交互式可视化的设计策略与权衡，并开发开源浏览器SuperNOVA以支持研究者探索现有工具。
2024-03-28 cs.HC cs.LG
DIEL: Interactive Visualization Beyond the Here and Now
交互式可视化设计和研究主要集中在本地数据和同步事件上。然而，对于更复杂的用例-例如，远程数据库访问和流数据源-开发人员必须处理分布式数据和异步事件。目前，构建这些用例是困难和耗时的;开发人员被迫在操作上编程低级细节，如异步数据库查询和反应式事件处理。这种方法与基于浏览器的交互式可视化的现代方法形成鲜明对比，后者具有高级声明性规范。作为回应，我们提出了DIEL，一个声明式的框架，支持异步事件的分布式数据。像许多声明式可视化语言一样，DIEL开发人员只需要指定他们想要什么数据，而不是如何组装它的过程步骤;独特的是，DIEL模型异步事件（例如，用户交互或服务器响应）作为在事件日志中捕获的数据流。为了在任何时候指定用户界面的状态，开发人员编写了对数据和事件日志的声明性查询; DIEL编译并优化了相应的XML图，并合成了必要的低级分布式系统细节。我们展示了DIEL的性能和表现力，通过例如交互式可视化，使远程数据和异步事件的协调的不同用途。我们进一步评估DIEL的可用性使用的认知维度的符号框架，揭示胜利，如易于改变，和妥协，如过早的承诺。
2021-08-08 cs.DB cs.HC
Multi-level tree based approach for interactive graph visualization with semantic zoom
人类受试者研究表明，在任务性能、基础数据的记忆和回忆以及参与方面，地图式可视化与标准的节点链接图形表示一样好或更好[SSKB 14，SSKB 15]。考虑到这一点，我们提出了可缩放多级树（ZMLT）算法的多级树为基础的，类似地图的大型图形可视化。我们提出了七个理想的属性，这种可视化应该保持和算法，实现它们。(1)抽象树在不同的细节层次上恰当地表示底层图;（2）嵌入树在不同的细节层次上恰当地表示底层图;（3）在每个细节层次上，我们都显示了底层图的实顶点和实路径;（4）如果任何节点或边出现在给定的层次上，那么它们也出现在所有更深的层次上;（5）当前级别和更高级别上的所有节点都被标记，并且没有标签重叠;（6）任何级别上都没有边交叉;（7）绘图面积与标签的总面积成比例。该算法的实现，我们有一个功能的原型在Web浏览器中的交互式界面。
2019-12-09 cs.CG cs.DS cs.HC
Facilitating Proactive and Reactive Guidance for Decision Making on the Web: A Design Probe with WebSeek
The Hong Kong University of Science and Technology（香港科技大学）
WebSeek是一种混合初始化浏览器扩展，通过主动和反应式指导提升网页决策中的用户分析能力与透明度。
2026-01-21 cs.HC
TimberTrek: Exploring and Curating Sparse Decision Trees with Interactive Visualization
Georgia Institute of Technology（佐治亚理工学院）；Duke University（杜克大学）
鉴于成千上万个同样准确的机器学习（ML）模型，用户如何在其中进行选择？最近的ML技术使领域专家和数据科学家能够为稀疏决策树生成一个完整的罗生门集-一个几乎最优的可解释ML模型的巨大集合。为了帮助ML从业者从这个罗生门集合中识别具有理想属性的模型，我们开发了TimberTrek，这是第一个交互式可视化系统，它可以大规模总结数千棵稀疏决策树。两个使用场景强调了TimberTrek如何使用户能够轻松地探索、比较和策划与其领域知识和价值观相一致的模型。我们的开源工具直接在用户的计算笔记本和Web浏览器中运行，降低了创建更负责任的ML模型的障碍。TimberTrek可在以下公开演示链接中获得：https://poloclub.github.io/timbertrek。
2022-09-19 cs.AI cs.HC cs.LG
GAM Changer: Editing Generalized Additive Models with Interactive Visualization
Georgia Tech（佐治亚理工学院）；University of Washington（华盛顿大学）；Microsoft Research（微软研究院）；NYU Langone Health（纽约大学朗格尼健康中心）
可解释机器学习（ML）研究的最新进展表明，模型利用数据中的不良模式进行预测，这可能会对部署造成危害。然而，目前还不清楚我们如何修复这些模型。GAM Changer是一个开源的交互式系统，可以帮助数据科学家和领域专家轻松、负责任地编辑他们的广义加性模型（GAM）。通过新颖的可视化技术，我们的工具将可解释性付诸行动-使人类用户能够分析，验证和调整模型行为与他们的知识和价值观。我们的工具使用现代Web技术构建，在用户的计算笔记本或Web浏览器中本地运行，无需额外的计算资源，降低了创建更负责任的ML模型的障碍。GAM Changer可在https://interpret.ml/gam-changer上获得。
2021-12-06 cs.AI cs.HC cs.LG
Interactive Segmentation and Visualization for Tiny Objects in Multi-megapixel Images
University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校）；Las Cumbres Observatory（拉斯坎布雷斯天文台）
我们介绍了一个交互式图像分割和可视化框架，用于识别，检查和编辑大型多百万像素高动态范围（HDR）图像中的微小对象（只有几个像素宽）。在天文观测中检测宇宙射线（CR）是一个繁琐的工作流程，需要多种工具，因此我们开发了一个交互式工具包，将模型推理、HDR图像可视化、分割掩模检查和编辑统一到单个图形用户界面中。该功能集最初是为天文数据设计的，使这项工作成为生物医学、材料科学、遥感等科学领域中人类参与的微小物体分割的有用研究支持工具，以及计算机视觉。我们的界面具有鼠标控制，同步，双窗口可视化的图像和分割掩模，一个关键的功能，定位微小物体在多百万像素的图像。基于浏览器的工具可以很容易地托管在Web上，为任何设备提供多用户访问和GPU加速。该工具包还可以用作高精度注释工具，或用作交互式机器学习框架的前端。我们的开源数据集、CR检测模型和可视化工具包可在https://github.com/cy-xu/cosmic-conn上获得。
2022-04-21 astro-ph.IM cs.CV cs.HC
Web-based Visualization and Analytics of Petascale data: Equity as a Tide that Lifts All Boats
本文提出了一种基于Web的petascale数据管理、可视化和分析方法，通过数据织物抽象层和渐进式压缩算法，使各类用户能在不同设备上交互分析海量气候数据，促进科学参与公平。
2024-08-06 cs.HC
WizMap: Scalable Interactive Visualization for Exploring Large Machine Learning Embeddings
Georgia Tech（佐治亚理工学院）；Apple（苹果公司）
针对机器学习嵌入难解释、维度高、规模大的问题，研究团队提出开源交互式可视化工具WizMap，结合多分辨率嵌入摘要方法与类地图交互，依托Web技术可在浏览器中支持百万级嵌入点探索。
2023-06-15 cs.CL cs.CV cs.HC
The State of the Art in Enhancing Trust in Machine Learning Models with the Use of Visualizations
Linnaeus University（林奈大学）；Université Paris Dauphine（巴黎多芬大学）；PSL University（巴黎文理大学）；Ceremade（巴黎多芬大学数学决策实验室）
本文综述了利用交互式可视化增强机器学习模型信任度的最新进展，提出了信任分类法，并从统计、主题和数据集等多角度分析，为相关研究提供参考。
2024-04-18 cs.HC cs.LG stat.ML
A Web-based Interactive Visual Graph Analytics Platform
本文提出了一种基于Web的可视化图形分析平台，用于交互式图形挖掘，可视化和实时探索网络。GraphVis快速、直观、灵活，将交互式可视化与分析技术相结合，揭示了重要的模式和见解，有助于理解、推理和决策。只需将图形文件拖放到Web浏览器中，即可在几秒钟内可视化和探索网络。网络的结构，属性和模式是自动计算的，可以即时实时探索。GraphVis的核心是一个多层次的交互式网络可视化和分析引擎，允许同时在多个粒度级别上进行实时图形挖掘和探索。图形分析和可视化技术（在每个粒度级别）都是动态的和交互式的，在每次用户交互时具有即时和连续的视觉反馈（例如，改变用于过滤的滑块）。此外，节点，边和子图可以通过许多新颖的技术和工具轻松插入，删除或导出，这使得在Web上实时探索，测试假设和理解网络变得非常容易和灵活。还提出了一些交互式可视图分析技术，包括交互式角色发现方法，社区发现，以及一些新的块模型，用于生成具有社区结构的图。最后，我们还强调了其他关键方面，包括过滤，查询，排名，操作，导出，分区，以及动态网络分析和可视化工具，交互式图形生成器，以及各种多级网络分析，总结和统计技术。
2015-02-02 cs.HC cs.SI stat.ML
HyperNP: Interactive Visual Exploration of Multidimensional Projection Hyperparameters
Tufts University（塔夫茨大学）；University of Sao Paulo（圣保罗大学）；University of Utrecht（乌得勒支大学）；Indiana University Bloomington（印第安纳大学伯明顿分校）；Novartis（诺华公司）
投影算法，如t-SNE或UMAP是有用的高维数据的可视化，但依赖于超参数，必须仔细调整。不幸的是，迭代地重新计算投影以找到最佳超参数值是计算密集型的，并且由于这些方法的随机性而不直观。在本文中，我们提出了HyperNP，一个可扩展的方法，允许实时交互式超参数探索的投影方法，通过训练神经网络近似。HyperNP可以在总数据实例和超参数配置的一小部分上进行训练，并且可以以交互式速度计算新数据和超参数的投影。HyperNP尺寸紧凑，计算速度快，因此可以嵌入到轻量级可视化系统中，如Web浏览器。我们在性能和速度方面评估了HyperNP在三个数据集上的性能。结果表明，HyperNP是准确的，可扩展的，交互式的，适合在现实世界中使用。
2021-06-25 cs.HC cs.LG
Collection Space Navigator: An Interactive Visualization Interface for Multidimensional Datasets
Tallinn University（塔林大学）；School of Digital Technologies, Tallinn University（塔林大学数字技术学院）；Baltic Film, Media and Arts School, Tallinn University（塔林大学波罗的海电影、媒体与艺术学院）；School of Humanities, Tallinn University（塔林大学人文学院）
针对多维数据相关视觉数字工件集合探索分析的挑战，本文提出开源的Collection Space Navigator（CSN）交互式可视化工具，结合二维投影与多维过滤器，支持缩放、投影转换等操作，助力用户探索、整理集合并反馈见解。
2023-05-11 cs.CV cs.HC
Setting SAIL: Leveraging Scientist-AI-Loops for Rigorous Visualization Tools
Aix-Marseille Université（艾克斯-马赛大学）；CNRS/IN2P3, CPPM（法国国家科学研究中心/欧洲核子研究组织粒子物理研究所，马赛粒子物理中心）；Department of Astronomy/Steward Observatory, University of Arizona（亚利桑那大学天文学系/斯图尔德天文台）；Department of Physics, University of Arizona（亚利桑那大学物理系）；Sorbonne Université, CNRS/IN2P3, Laboratoire de Physique Nucléaire et de Hautes Energies (LPNHE)（索邦大学，法国国家科学研究中心/欧洲核子研究组织，核物理与高能物理实验室）；Universitäts-Sternwarte München, Fakultät für Physik, Ludwig-Maximilians Universität（慕尼黑大学天文台，物理学院，路德维希-马克西米利安大学）；Department of Physics and Leinweber Center for Theoretical Physics, University of Michigan（密歇根大学物理系及莱因韦伯理论物理中心）；School of Astronomy and Space Sciences, University of Science and Technology of China（中国科学技术大学天文与空间科学学院）
本文提出SAIL框架，通过分离领域逻辑与代码语法，帮助科学家在保持科学严谨性的同时利用AI快速生成代码，展示两个开源天文工具，证明其在科普、教学和早期研究中的有效性。
2026-03-18 astro-ph.CO astro-ph.IM cs.HC
CNN Explainer: Learning Convolutional Neural Networks with Interactive Visualization
Georgia Tech（佐治亚理工学院）；Oregon State University（俄勒冈州立大学）
深度学习的巨大成功激励着许多从业者和学生学习这项令人兴奋的技术。然而，由于理解和应用深度学习的复杂性，初学者迈出第一步往往具有挑战性。我们介绍了CNN解释器，这是一个交互式可视化工具，专为非专家学习和检查卷积神经网络（CNN）而设计，CNN是一种基础深度学习模型架构。我们的工具解决了新手在学习CNN时面临的关键挑战，我们从对教师的采访和对过去学生的调查中发现了这些挑战。CNN解释器紧密集成了一个模型概述，总结了CNN的结构，以及按需动态视觉解释视图，帮助用户理解CNN的底层组件。通过抽象层次之间的平滑过渡，我们的工具使用户能够检查低级数学运算和高级模型结构之间的相互作用。一项定性的用户研究表明，CNN解释器可以帮助用户更容易地理解CNN的内部工作原理，并且使用起来非常有趣。我们也从我们的研究中获得设计经验。CNN Explainer使用现代Web技术开发，在用户的Web浏览器中本地运行，无需安装或专用硬件，从而扩大了公众对现代深度学习技术的教育访问。
2020-08-28 cs.AI cs.CV cs.HC
Towards Commodity, Web-Based Augmented Reality Applications for Research and Education in Chemistry and Structural Biology
这篇文章报告了原型网络应用程序，使用商品，开源技术的增强和虚拟现实提供沉浸式，交互式人机界面的化学，结构生物学和相关学科。这些示例可以在任何标准的Web浏览器中运行，并可以在https://lucianoabriata.altervista.org/jsinscience/arjs/armodeling/上与演示视频一起访问，展示了可以远远超出教学的应用程序，即在研究环境中推进实际效用：在交互式沉浸式3D中的原子和粗粒度级别的分子可视化，分子物理和化学的粗粒度建模，以及实验观测值的实时计算和实验数据的叠加。从这个操场上，我描绘了这些新兴技术在未来如何与基于神经网络的量子力学计算、高级形式的人机交互（如基于语音的通信）以及通过互联网进行并发协作的套接字（所有这些技术今天都在Web浏览器中成熟）相结合的前景，以提供下一代真正交互的工具，沉浸式分子建模，可以用计算机的数字处理能力来简化人类的思想和意图。
2018-08-10 cs.ET cs.HC cs.MM
CNN 101: Interactive Visual Learning for Convolutional Neural Networks
Georgia Institute of Technology（佐治亚理工学院）；Oregon State University（俄勒冈州立大学）
深度学习解决以前认为的难题的成功激励了许多非专家学习和理解这项令人兴奋的技术。然而，由于深度学习模型的复杂性，学习者往往很难迈出第一步。我们提出了我们正在进行的工作，CNN 101，一个交互式可视化系统，用于解释和教学卷积神经网络。通过紧密集成的交互式视图，CNN 101提供模型如何工作的概述和详细描述。使用现代网络技术构建的CNN 101在用户的网络浏览器中本地运行，而不需要专门的硬件，从而拓宽了公众对现代深度学习技术的教育访问。
2020-02-27 cs.AI cs.HC cs.LG
Confluent-Drawing Parallel Coordinates: Web-Based Interactive Visual Analytics of Large Multi-Dimensional Data
Norwegian University of Science and Technology（挪威科技大学）
平行坐标图是一种最流行和最广泛使用的多维数据可视化技术。它对大规模数据集的主要挑战是视觉混乱和过度绘制，这妨碍了对数据中模式和趋势的识别。本文提出了一种平行坐标汇流绘制方法，以支持基于Web的大型多维数据交互式可视化分析。该方法通过对每个维度进行基于数据分箱的聚类，将多维数据映射到节点链接图。它使用基于密度的融合绘制来可视化集群和边缘，以减少视觉混乱和过度绘制。其呈现时间与数据项的数量无关。它支持大型数据集的交互式可视化，而无需在普通Web浏览器中进行硬件加速。此外，我们设计了交互来控制数据分仓过程，以支持大型多维数据集的交互式可视化分析。基于所提出的方法，我们实现了一个基于Web的可视化分析应用。所提出的方法的效率进行了检查，通过几个数据集上的实验。该方法的有效性进行了评估，通过用户研究，其中两个典型的任务的平行坐标绘图由参与者进行比较，所提出的方法与另一种平行坐标捆绑技术。实验结果表明，该方法显著提高了大型多维数据的基于Web的交互式可视化分析能力。
2019-06-14 cs.CV cs.HC
ClusterRadar: an Interactive Web-Tool for the Multi-Method Exploration of Spatial Clusters Over Time
ClusterRadar 是一个交互式网络工具，通过支持多方法比较和时序分析，帮助用户探索空间聚类的动态演变，并保护数据隐私。
2024-04-08 cs.HC
