ClustML：一种从人工标注分组中学习的散点图聚类模式复杂度度量
ClustML: A Measure of Cluster Pattern Complexity in Scatterplots Learnt from Human-labeled Groupings
AI总结：
ClustML是一种基于人类标注判断训练的散点图视觉分组复杂度度量，通过高斯混合模型参数空间编码和分类器估计感知复杂度，在双高斯聚类判断和一般聚类模式排序上优于现有VQM，并已应用于全基因组关联研究的亲缘数据分析。
摘要：
视觉质量度量（VQMs）旨在通过自动检测和量化可视化中的模式来支持分析人员。我们提出了一种新的用于散点图中视觉分组模式的VQM，称为ClustML，它基于先前收集的人类受试者判断进行训练。我们的模型在高斯混合模型（Gaussian Mixture Model）的参数空间中编码散点图，并使用在人类判断数据上训练的分类器来估计分组模式的感知复杂度。初始混合成分的数量和最终合并组的数量。它改进了现有的VQMs，首先，通过更好地估计人类对双高斯聚类模式的判断，其次，在对散点图中一般聚类模式进行排序时提供更高的准确率。我们使用它来分析全基因组关联研究中的亲缘关系数据，在这些研究中，专家依赖于对大量散点图的可视化分析。我们公开了基准数据集和新的VQM，以供实际使用和进一步改进。
英文摘要：
Visual quality measures (VQMs) are designed to support analysts by automatically detecting and quantifying patterns in visualizations. We propose a new VQM for visual grouping patterns in scatterplots, called ClustML, which is trained on previously collected human subject judgments. Our model encodes scatterplots in the parametric space of a Gaussian Mixture Model and uses a classifier trained on human judgment data to estimate the perceptual complexity of grouping patterns. The numbers of initial mixture components and final combined groups. It improves on existing VQMs, first, by better estimating human judgments on two-Gaussian cluster patterns and, second, by giving higher accuracy when ranking general cluster patterns in scatterplots. We use it to analyze kinship data for genome-wide association studies, in which experts rely on the visual analysis of large sets of scatterplots. We make the benchmark datasets and the new VQM available for practical use and further improvements.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
