• 论文阅读 | Formalizing Visualization Design Knowledge as Constraints: Actionable and Extensible Models in Draco


    1. Introduction

    程序员编写的可视化图表与专家眼中的设计标准总存在差距。我们无法每次都向可视化专家咨询设计上的意见,所以我们需求将设计标准,研究成果应用于自动化设计工具的正式框架,这些工具有助于对于推荐数据的合理编码和正确的视觉探索方式。我们建议将可视化设计标准建模为约束的集合,并结合从实验数据中学习到的软约束的权重,使用求解器把理论设计知识具体的,可扩展和可测试的表达出来的系统。我们使用Draco实现了我们的想法,Draco是一个基于答案集编程(ASP)的基于约束的系统。本文的贡献可以概括为以下三点:

    • 本文提出了一种自动化可视设计的规范框架 ,使用一些设计规范来帮助用户制作好的可视化设计
    • 本文将可视化设计建模为约束条件进行最优化求解,有些约束条件是硬性条件(必须满足),有些是软性条件(带有惩罚)
    • 本文基于Clingo,这是一种基于答案集编程(ASP)的求解器,还有Vega-Lite, 这是一种json化的可视化图表语法

    Visual Encoding Principles

    可视化设计标准定义了在可视化图表当中最基本的概念,mark是可视化中的基本图形元素,channel是表达数据的方式和频道。比方说一张折线图,它的mark是线段,channel是位置(高低)。


    除此之外,可视化还将数据类型data定义为:continuous(数值型,10英尺,23岁),ordered(离散型,有大小之分,如星期几),categorical(离散型,无大小之分,如苹果,梨子)三类。将处理数据Aggregate分为,sum, mean,count,median。

    Vega-lite

    Vega-Lite吸收了前任对于视觉编码的研究成果,并参考了d3,visQL(tableau前身)等可视化语言。 Vega-Lite结合了传统的图形语法,提供了可视化编码规则和分层和多视图显示。用户通过组合选择来指定交互式语义。在Vega-Lite中,选择是一种抽象,它定义输入事件处理,兴趣点和包含测试的谓词函数。选择通过用作输入数据,定义比例范围或通过驱动条件逻辑来参数化可视编码。 Vega-Lite编译器自动合成必需的数据流和事件处理逻辑,用户可以覆盖这些逻辑以进行进一步的自定义。

    Automated Visualization Design
    过去的自动化设计系统使用预先设计的规则对用户的需求进行判定,通过聚类和穷举(dfs),最后得到一个有限集合,通过rankSVM等排序算法,得到最后的偏好。这种方案的缺陷在于,穷举的搜索策略是深度优先搜索,复杂度过大,还有很多回溯,这对于大型设计空间来说效率低。 Draco使用现代约束求解器和标准化的表示语言,并且还提出了软约束的概念,增加了灵活性。最近的一篇自动可视设计系统是来自idl实验室的Voyager 2

    3. Modeling Visualization Design In Draco

    1. 硬性可视化约束规范

    如前文所述,Draco当中的规则分为硬规则和软规则。硬规则包括一些可视化图表内部的逻辑(比方说折线图无法表示种类等等),还有许多用户自己定义的偏好。这些规则必须被满足。

    • Mark ∈ {bar, line, area, point}

    • Channel ∈ {x, y, color, text, shape}

    • Field ∈ {site, year, age}

    • Type ∈ {categorical, continuous}

    • Aggregate ∈ {sum, mean, count, median}

    • Zero ∈ {yes, no}

    我们还可以写多条件 硬规则,如下所示

    • :- X

    X这种情况不会发生

    • :- channel(_,shape), not mark(point)

    表明对于形状编码必须是是“点” ,其他标记类型(如区域,线,条或文本)不能对形状进行编码。

    • :- mark(bar), channel(E, y), continuous(E), not zero(E)

    表明必须使用零作为基线的垂直条形图。

    1. 软性可视化约束规范
    • :~ X [w]

    倾向于X这种情况不会发生,如果违反那么会有w的惩罚

    • :~ continuous(E), not zero(E) [5]

    表示模型更喜欢连续字段的坐标从零开始,并且违反规则会使这个模型的cost增加5

    • 通过以下的语句定义数据的信道偏好设置
    :~ channel(E,y), type(E,nominal). [0]
    :~ channel(E,x), type(E,nominal). [1]
    :~ channel(E,column), type(E,nominal). [2] 
    :~ channel(E,color), type(E,nominal). [3]
    

    假设我们有m个软性约束,pi为第i个约束,每个约束的惩罚为wi

    令 S = {(p1, w1)… (pi, wi)} npi(v)是v这种视图违反软约束pi的次数,那么Cost可以定义为:(Cost(v)=sum_{i=1..k}wi*n_{pi}(v))

    这样我们通过求解器可以通过这些权值得到不同可视化图表的偏好。

    4. User Study

    1. 比较试验

    本文将Draco与voyager2中使用的CompassQL求解算法做比较,将CompassQL中的规定转成Draco中的 -: X(硬规则),将CompassQL中的偏化转成Draco中的 ~:X(软规则)。实验结果可以发现,CompassQL中复杂的规则语句在Draco只需要短短几句。

    1. 使用rankSVM训练软约束参数

    本文使用lY. Kim and J. Heer. Assessing effects of task and data distribution on the effectiveness of visual
    encodings,和 lB. Saket, A. Endert, and C. Demiralp. Task-based effectiveness of basic visualizations. 所用到的实验数据,训练软约束参数,获得了比原先自定义不同的可视化结果。

    5. Conclusion

    作为今年infovis的best paper,本篇文章确实可圈可点,本论文的文档,在线演示可以看https://uwdata.github.io/draco/。下面是总结

    • 本文提出了目前最完整的自动化可视设计框架

    • 这个框架具有高度灵活性和可训练性

    • 未来它将支持推荐更复杂的图表或者仪表盘

    • 这个系统为 理解可视化语法,创新可视化设计,理解不同编码的感知 都有不可或缺的作用

  • 相关阅读:
    GNU binutils工具使用(转)
    wget下载整个网站
    Qt中使用第三方的数据库(Sqlite)存储并读取文件本体
    thinkpad T400不能hibernate解决方案,ubuntu 10.10
    android 2.3 StrictMode 使用
    N900 Dual boot(meego& maemo)
    maemo环境安装问题和解决方案(ubuntu 10.04)
    shell中判断一个参数是否为整型
    linux中的块设备和字符设备(转)
    对聊天室调试总结
  • 原文地址:https://www.cnblogs.com/Basasuya/p/10324996.html
Copyright © 2020-2023  润新知