三维中的广义线坐标
General Line Coordinates in 3D
AI总结：
本文提出结合SPC、STC和GLC-L的3D广义线坐标系统，通过无损3D可视化支持非专业用户进行交互式视觉模式发现，解决2D局限并提供深度分析与控制模型过度泛化的能力。
摘要：
在无损3D可视化中进行可解释的交互式视觉模式发现是推进机器学习的一种有前景的方法。它使非数据科学家的最终用户能够将模型开发过程作为自助服务来掌控。该过程在3D广义线坐标（GLC）可视化空间中进行，该空间将所有n-D信息保留在3D中。本文提出了一个结合三种类型GLC的系统：移位成对坐标（SPC）、移位三重坐标（STC）和广义线坐标-线性（GLC-L），用于交互式视觉模式发现。从2-D可视化到3-D可视化的转换允许获得比2-D中更明显的视觉模式，并且还允许找到2-D中不可用的最佳数据观察位置。它支持最终用户在原始可解释属性中理解各种特定类别的数据子集的深度视觉分析。最终用户控制模型过度泛化是这种方法的额外好处。
英文摘要：
Interpretable interactive visual pattern discovery in lossless 3D visualization is a promising way to advance machine learning. It enables end users who are not data scientists to take control of the model development process as a self-service. It is conducted in 3D General Line Coordinates (GLC) visualization space, which preserves all n-D information in 3D. This paper presents a system which combines three types of GLC: Shifted Paired Coordinates (SPC), Shifted Tripled Coordinates (STC), and General Line Coordinates-Linear (GLC-L) for interactive visual pattern discovery. A transition from 2-D visualization to 3-D visualization allows for a more distinct visual pattern than in 2-D and it also allows for finding the best data viewing positions, which are not available in 2-D. It enables in-depth visual analysis of various class-specific data subsets comprehensible for end users in the original interpretable attributes. Controlling model overgeneralization by end users is an additional benefit of this approach.
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。
