Visualizing Uncertainty-to-Action Composition for Human Oversight
Robert Koch Institute（罗伯特·科赫研究所）；Freie Universitat, Berlin（柏林自由大学）
该研究提出不确定性-行动绑定框架与ActionCue可视化方法，明确AI不确定性条件到人工监督响应的组合逻辑，通过多领域案例验证其有效性。
2026-08-18 cs.AI cs.HC
Visualizing Rule Sets: Exploration and Validation of a Design Space
New York University（纽约大学）
规则集通常用于机器学习（ML）中，作为在需要透明度和可理解性的设置中传达模型逻辑的一种方式。规则集通常以基于文本的逻辑语句（规则）列表的形式呈现。令人惊讶的是，到目前为止，在探索视觉替代方案来呈现规则方面的工作有限。在本文中，我们探讨了设计规则的替代表示的想法，专注于一些视觉因素，我们认为有一个积极的影响规则的可读性和理解。本文提出了一个初始的设计空间可视化规则集和用户研究探索其影响。结果表明，一些设计因素对读者处理规则的效率有很大影响，而对准确性的影响最小。这项工作可以帮助从业者在使用规则作为理解ML模型的通信策略时采用更有效的解决方案。
2021-03-04 cs.AI cs.HC cs.LG
Visualizing and Interacting with Geospatial Networks: A Survey and Design Space
本文综述了地理空间网络的可视化和交互技术，共95篇论文。地理空间网络是节点和链接可以与地理位置相关联的图形。例子包括社交网络、贸易和移徙以及交通和运输网络。可视化地理空间网络提出了许多挑战，围绕网络和地理信息以及其他信息，如节点和链接属性，时间和不确定性的集成。我们的概述分析了现有的技术沿四个维度：i）地理信息的表示，ii）网络信息的表示，iii）两者的视觉集成，和iv）使用的互动。这四个维度使我们能够讨论技术在显示所有这些维度的信息之间所做的权衡，以及如何解决在保持可视化可读性的同时显示尽可能多的信息的问题。https://geonetworks.github.io.
2021-03-24 cs.GR cs.HC
An Incremental Dimensionality Reduction Method for Visualizing Streaming Multidimensional Data
University of California, Davis（加州大学戴维斯分校）；Bosch Research North America（博世北美研究院）
多维性约简（DR）方法通常用于分析和可视化多维数据。然而，当数据是实时流馈送时，由于常规DR方法的计算复杂性并且不能保留在先前时间点的投影数据位置，因此不能直接使用常规DR方法。此外，当动态数据记录具有在现实世界应用中经常发现的不同数量的维度时，问题变得更具挑战性。本文提出了一种增量式灾难恢复解决方案。我们增强了现有的增量PCA方法在几个方面，以确保其可用性可视化流多维数据。首先，我们使用几何变换和动画的方法，以帮助保持观众的心理地图时，可视化的增量结果。其次，为了处理数据维度变量，我们使用优化方法来估计投影数据的位置，并在可视化中传达由此产生的不确定性。我们证明了我们的设计与两个案例研究使用真实世界的数据集的有效性。
2019-10-15 cs.GR cs.HC cs.LG
Visualizing Confidence Intervals for Critical Point Probabilities in 2D Scalar Field Ensembles
Leipzig University（莱比锡大学）；Deutsches Klimarechenzentrum（德国气候计算中心）
可视化的一个重要任务是提取和突出显示数据中的主要特征，以支持用户的分析过程。拓扑方法是确定性领域中识别此类特征的一种众所周知的手段。然而，今天研究的许多现实世界的现象是混沌系统的结果，不能完全通过一个单一的模拟描述。相反，这种系统的可变性通常是通过产生模拟过程的各种可能结果的集合模拟来捕获的。总体而言，这种集合数据集和不确定数据的拓扑分析研究得较少。在这项工作中，我们提出了一种方法的计算和可视化表示的置信区间的发生概率的关键点在合奏数据集。我们证明了我们的方法的附加值超过现有的方法临界点预测的不确定数据的合成数据集，并显示其适用性的数据集从气候研究。
2022-07-13 cs.GR cs.HC cs.LG
Understanding the Effects of Visualizing Missing Values on Visual Data Exploration
在进行数据分析时，人们经常会遇到包含缺失值的数据集。我们进行了一项实证研究，以了解在执行视觉数据探索任务时，可视化这些缺失值对参与者决策过程的影响。更具体地说，我们的研究参与者购买了一个假设的股票投资组合，该投资组合基于一个数据集，其中一些股票的PE比率，beta和EPS等属性值缺失。实验使用散点图来传达股票数据。对于一组参与者来说，没有显示缺失值的股票，而第二组则将这些股票用估计值描述为带有误差线的点。我们测量了参与者的认知负荷参与决策的数据缺失值。我们的研究结果表明，他们的决策工作流程在两种情况下是不同的。
2021-09-17 cs.HC
Boba: Authoring and Visualizing Multiverse Analyses
多元宇宙分析是一种数据分析方法，其中所有“合理”的分析决策都被并行评估和集体解释，以促进稳健性和透明度。然而，指定一个多元宇宙是要求很高的，因为分析师必须管理来自分析决策的交叉产品的无数变体，并且结果需要细致入微的解释。我们贡献波巴：一个集成的领域特定语言（DSL）和可视化分析系统，用于创作和审查多元宇宙分析。使用Boba DSL，分析师只需编写一次分析代码的共享部分，以及定义替代决策的本地变体，编译器从中生成代表所有可能分析路径的脚本。Boba Visualizer提供了模型结果和多元宇宙决策空间的链接视图，以便快速、系统地评估相应的决策和鲁棒性，包括采样不确定性和模型拟合。我们通过两个数据分析案例研究展示了波巴的实用性，并反思了多重宇宙分析软件的挑战和设计机会。
2020-07-30 cs.HC
Visualizing Large-scale and High-dimensional Data
Microsoft Research Asia（微软亚洲研究院）；Peking University（北京大学）；University of Michigan（密歇根大学）
我们研究了在低维（通常是2D或3D）空间中可视化大规模和高维数据的问题。最近已经报道了很多成功的技术，首先计算数据点的相似性结构，然后将它们投影到一个低维空间中，保留结构。这两个步骤遭受相当大的计算成本，阻止了诸如t-SNE的现有技术方法缩放到大规模和高维数据（例如，数百万个数据点和数百个维度）。我们提出了LargeVis，这是一种技术，首先从数据中构建一个精确近似的K-最近邻图，然后在低维空间中布局该图。与t-SNE相比，LargeVis显着降低了图形构建步骤的计算成本，并为可视化步骤采用了原则性概率模型，其目标可以通过异步随机梯度下降以线性时间复杂度进行有效优化。因此，整个过程很容易扩展到数百万个高维数据点。在真实数据集上的实验结果表明，LargeVis在效率和有效性方面都优于最先进的方法。LargeVis的超参数在不同的数据集上也更加稳定。
2016-04-05 cs.HC cs.LG
A Priest, a Rabbi, and an Atheist Walk Into an Error Bar: Religious Meditations on Uncertainty Visualization
本文通过宗教视角批判当前不确定性可视化过度简化，提出应丰富可视化类型并考虑受众多样性。
2025-09-10 cs.HC
The Social Construction of Visualizations: Practitioner Challenges and Experiences of Visualizing Race and Gender Demographic Data
本文针对可视化从业者如何理解自身信念、价值观和偏见对设计过程的影响及面临的挑战展开研究，通过17次半结构化访谈提出了该领域研究与实践的启示。
2025-02-14 cs.HC
The Impact of Uncertainty Visualization on Trust in Thematic Maps
Arizona State University（亚利桑那州立大学）；University of Waterloo（滑铁卢大学）；Pennsylvania State University（宾夕法尼亚州立大学）
本研究通过实验发现，不确定性可视化在不同层次下会降低主题地图的信任度，但低不确定性地图对信任的影响不显著，且对制图者诚信感影响较弱。
2026-01-30 cs.HC
Uncertainty Tube Visualization of Particle Trajectories
SCI Institute（SCI研究所）；Argonne National Laboratory（阿贡国家实验室）
本文提出一种计算高效的不确定性管可视化方法，利用超椭圆管表示神经网络粒子轨迹预测中的非对称不确定性，并结合深度集成、MC Dropout和SWAG在合成与模拟数据上验证其有效性。
2025-08-19 cs.HC cs.LG
Visualizing a Collective Student Model for Procedural Training Environments
International University SEK（SEK国际大学）；ETS de Ingenieros Informáticos, UPM（马德里理工大学计算机工程学院）；E.T.S.I. Forestal y del Medio Natural, UPM（马德里理工大学林业与自然环境工程学院）
本文提出了一种可视化集体学生模型的工具，用于改进过程训练环境中的教学和辅导策略。
2025-12-22 cs.HC
Accelerated Probabilistic Marching Cubes by Deep Learning for Time-Varying Scalar Ensembles
Scientific Computing and Imaging Institute（科学计算与成像研究所）；Oak Ridge National Laboratory（橡树岭国家实验室）
集合模拟的不确定性可视化是具有挑战性的，由于集合数据集的大尺寸和多变量和时间特性。一个流行的方法来研究的不确定性合奏是分析的水平集的位置不确定性。概率移动立方体是一种对多变量高斯噪声分布进行蒙特卡罗采样的技术，用于水平集的位置不确定性可视化。然而，该技术的计算时间长，使得交互式可视化和分析不可能实现。本文介绍了一种基于深度学习的方法，用于学习具有多元高斯噪声假设的二维集合数据的水平集不确定性。我们在工作流程中使用来自时变集合数据的前几个时间步来训练模型。我们证明，我们的训练模型准确地推断出新时间步长的水平集的不确定性，并且比串行计算的原始概率模型快170倍，比原始并行计算快10倍。
2022-10-22 cs.HC cs.LG
An Extensible Dashboard Architecture For Visualizing Base And Analyzed Data
任何数据分析，特别是可能经常或实时变化的数据集，至少包括三个重要的同步组件：i）找出要推断的内容（目标），ii）目标的分析或计算，以及iii）可能需要深入和/或可视化的结果的理解。作为研究的一部分，人们对上述前两个组成部分给予了很多关注，而理解和得出可操作的决策是相当棘手的。可视化是理解（即使是非专家）和推断需要采取的行动的重要一步。作为一个例子，对于Covid-19，知道在不久的将来病例激增或倾向于激增的地区（例如，在县或州一级）可能需要在聚会、营业时间等方面采取额外行动。本文重点介绍用于基础数据和分析数据可视化的可扩展架构。本文提出了一种用于用户交互、可视化管理和基础数据复杂分析的仪表板模块化体系结构。本文的贡献是：i）架构的可扩展性提供了灵活性，可以在不改变工作流程的情况下添加额外的分析，可视化和用户交互，ii）功能模块的解耦，以简化和加速不同群体的开发，以及iii）解决显示响应时间的效率问题。本文使用多层网络（或MLN）进行分析。为了展示上述内容，我们介绍了一个名为CoWiz++（用于Covid Wizard）的可视化仪表板的实现，并详细说明了基于Web的用户交互和显示组件如何与后端模块无缝对接。
2021-06-09 cs.CY cs.DB cs.HC
Topic Similarity Networks: Visual Analytics for Large Document Sets
Institute for Defense Analyses（国防分析研究所）
我们研究的方法，以提高LDA主题模型的可解释性，更好地分析和可视化其输出。我们专注于研究我们所说的主题相似性网络：图中的节点代表文本集合中的潜在主题，链接代表主题之间的相似性。我们描述了高效和有效的方法来构建和标记这样的网络。基于这些网络的主题模型的可视化被证明是探索，表征和总结大量非结构化文本文档的强大手段。它们有助于“梳理”不同文档集之间的非明显联系，并提供有关主题如何形成更大主题的见解。我们通过两个案例研究证明了这些方法的有效性和实用性：1）NSF资助的基础研究跨越14年的时间和2）维基百科的整个英文部分。
2014-09-26 cs.CL cs.HC cs.IR
Efficient Probabilistic Visualization of Local Divergence of 2D Vector Fields with Independent Gaussian Uncertainty
针对二维向量场局部散度不确定性可视化中蒙特卡洛方法收敛慢、扩展性差的问题，研究推导了独立高斯假设下的闭式可视化方法，并集成到并行库Viskores中，在两类数据集上实现了大幅效率提升与可视化质量改进。
2025-08-21 cs.HC stat.CO stat.ML
Bayesian-Assisted Inference from Visualized Data
数据解释的贝叶斯观点建议可视化用户应该根据新观测捕获的关于参数值的信息量来更新他们关于参数值的现有信念。扩展了最近应用贝叶斯模型来理解和评估可视化的信念更新的工作，我们展示了如何使用贝叶斯推理的预测来指导更合理的信念更新。我们设计了一个贝叶斯推理辅助的不确定性类比，在数字上与观察到的数据的不确定性用户的主观不确定性，和后验可视化，规定用户应该如何更新他们的信念，他们的先验信念和观察到的数据。在对4，800人进行的预注册实验中，我们发现，当新观察到的数据样本相对较小（N=158）时，与当前可视化观察数据中的不确定性的最佳实践相比，这两种技术平均可靠地提高了人们的贝叶斯更新。对于大数据样本（N=5208），人们的更新的信念往往偏离更强烈的贝叶斯模型的处方，我们发现证据表明，这两种形式的贝叶斯援助的有效性可能取决于人们的倾向对信任的数据源。我们讨论了我们的研究结果如何提供洞察个人的信念更新和主观不确定性的过程，以及如何理解这些方面的解释铺平了道路，为更复杂的交互式可视化分析和沟通。
2020-08-08 cs.HC stat.ME
Conformal Prediction Sets Improve Human Decision Making
Layer 6 AI；TD Securities（道明证券）
本文通过随机对照试验证明，向人类提供保形预测集相比固定大小预测集能显著提高决策准确性，表明量化模型不确定性有助于人在环决策和人机协作。
2024-06-10 cs.HC cs.LG stat.ML
