Comparative and Collaborative Visual Analysis of Clustering and Coclustering Ensembles

La agrupación en clústeres agrupa automáticamente elementos de datos complejos y crea abstracciones basadas en la similitud de los datos. Sin embargo, existen diferentes criterios para calcular la similitud de entidades, así como diferentes algoritmos de agrupación, que producen una agrupación distinta de las entidades. Si bien se intenta minimizar la variedad resultante de conjuntos de agrupación, vemos oportunidades en esta diversidad. Solo expertos humanos pueden juzgar la calidad de los resultados y elegir entre las múltiples verdades que reflejan. Pueden considerar las particularidades de cada caso de uso y crear una agrupación global basada en diversos resultados. La colaboración de múltiples expertos puede ser recomendable para abarcar un conjunto más amplio de conocimientos. Para apoyar a los expertos humanos, proponemos métodos novedosos para visualizar y comparar visualmente estos conjuntos de resultados de agrupación. Nuestros métodos van más allá de los enfoques más modernos para la comparación visual, abordando escenarios más complejos relacionados con las características de las estructuras de clústeres, su integración contextual en otros datos y el análisis colaborativo. Queremos investigar no solo particiones simples de elementos, sino también grupos superpuestos y clústeres integrados en estructuras de red contextuales. Un enfoque específico son los co-clusters, que también estructuran las variables de datos a lo largo de las entidades y, por lo tanto, crean agrupaciones más fáciles de comprender. Por ejemplo, se pueden identificar distintos temas a partir de un conjunto de documentos científicos y, junto con los términos incluidos, formar co-clusters, que pueden contextualizarse aún más considerando su red de citas subyacente. Los objetivos específicos del proyecto incluyen explorar el espacio de diseño para modelar estos conjuntos de clusters y, posteriormente, investigar medios para codificarlos visualmente para una comparación efectiva y contextualizada. Además de realizar contribuciones técnicas en forma de nuevas técnicas de visualización, también desarrollaremos directrices, taxonomías de tareas y revisiones sistemáticas de la literatura. Los ejemplos de aplicación centrados en el análisis de colecciones de documentos y datos ómicos biológicos fundamentan las técnicas en tareas del mundo real y permiten trabajar con diferentes expertos en aplicaciones. Un enfoque complementario es facilitar el análisis visual colaborativo de los conjuntos de clusters, por ejemplo, mostrándolos en una pantalla del tamaño de una pared con soporte para interacción multiusuario.

Explorar el espacio de diseño para modelar conjuntos de clusters y, posteriormente, investigar medios para codificarlos visualmente para una comparación efectiva y contextualizada.

Generación de conocimiento.