Scalable Topological Data Analysis and Visualization for Evaluating Data-Driven Models in Scientific Applications.

Bilimsel Uygulamalarda Veriye Dayalı Modellerin Değerlendirilmesi İçin Ölçeklenebilir Topolojik Veri Analizi ve Görselleştirme

Clicks: 380
ID: 37474
2019
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Steady

Ranked #10 of 32 articles by views in ieee transactions on visualization and computer graphics

Most read Least read

Bar heights use a square-root scale.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
With the rapid adoption of machine learning techniques for large-scale applications in science and engineering comes the convergence of two grand challenges in visualization. First, the utilization of black box models (e.g., deep neural networks) calls for advanced techniques in exploring and interpreting model behaviors. Second, the rapid growth in computing has produced enormous datasets that require techniques that can handle millions or more samples. Although some solutions to these interpretability challenges have been proposed, they typically do not scale beyond thousands of samples, nor do they provide the high-level intuition scientists are looking for. Here, we present the first scalable solution to explore and analyze high-dimensional functions often encountered in the scientific data analysis pipeline. By combining a new streaming neighborhood graph construction, the corresponding topology computation, and a novel data aggregation scheme, namely topology aware datacubes, we enable interactive exploration of both the topological and the geometric aspect of high-dimensional data. Following two use cases from high-energy-density (HED) physics and computational biology, we demonstrate how these capabilities have led to crucial new insights in both applications.
Makine öğrenimi tekniklerinin bilim ve mühendislikteki büyük ölçekli uygulamalarda hızla benimsenmesi, görselleştirme alanındaki iki büyük zorluğun kesişimini beraberinde getirmektedir. İlk olarak, kara kutu modellerin (ör. derin sinir ağları) kullanımı, model davranışlarının keşfedilmesi ve yorumlanması için ileri düzey teknikler gerektirmektedir. İkinci olarak, hesaplama gücündeki hızlı artış, milyonlarca veya daha fazla örneği işleyebilecek tekniklere ihtiyaç duyan devasa veri kümeleri ortaya çıkarmıştır. Bu yorumlanabilirlik zorluklarına yönelik bazı çözümler önerilmiş olsa da bunlar genellikle birkaç bin örneğin ötesine ölçeklenememekte ve bilim insanlarının aradığı üst düzey sezgiyi sunamamaktadır. Bu çalışmada, bilimsel veri analizi süreçlerinde sıklıkla karşılaşılan yüksek boyutlu fonksiyonları keşfetmek ve analiz etmek için ilk ölçeklenebilir çözümü sunmaktayız. Yeni bir akış tabanlı komşuluk çizgesi inşasını, buna karşılık gelen topoloji hesaplamasını ve topolojiye duyarlı veri küpleri (topology-aware datacubes) adı verilen özgün bir veri toplulaştırma şemasını bir araya getirerek, yüksek boyutlu verilerin hem topolojik hem de geometrik yönlerinin etkileşimli olarak keşfedilmesini sağlamaktayız. Yüksek enerji yoğunluklu (HED) fizik ve hesaplamalı biyoloji alanlarından iki kullanım senaryosu üzerinden, bu yeteneklerin her iki uygulamada da nasıl kritik yeni içgörüler sağladığını ortaya koymaktayız.
Reference Key
liu2019scalableieee Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors Liu, Shusen;Anirudh, Rushil;Thiagarajan, Jayaraman J;Jacobs, Sam Ade;Essen, Brian C Van;Hysom, David;Yeom, Jae-Seung;Gaffney, Jim;Peterson, Luc;Robinson, Peter B;Bhatia, Harsh;Spears, Brian K;Bremer, Peer-Timo;Wang, Di;Maljovec, Dan;Pascucci, Valerio;
Journal ieee transactions on visualization and computer graphics
Year 2019
DOI
10.1109/TVCG.2019.2934594
URL
Keywords Keywords not found

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.