[IEEE Access 2022] A Comprehensive State-of-the-Art Survey on Data Visualization Tools: Research Developments, Challenges and Future Domain Specific Visualization Framework

[uhhyunjoo]

	link
paper	A comprehensive state-of-the-art survey on data visualization tools: research developments, challenges and future domain specific visualization framework

[uhhyunjoo]

Abstract

• Data visualization 은 meaningful 한 data insights 를 interactive 하고 effective 한 방식으로 demostration 하기 위한 powerful 한 skill 이다.
• 이 서베이에서는, data visualization 의 various scopes, aspects, theories 를 identify, classify, investigate 하기 위해 2017-2022의 70 논문을 모았다.
• 또한 health, IoT, business dashboard, urban traffic management, smart budiling, environmental data visualization 등과 같은 다양한 domains and fields 의 powerful applications of data visualization 을 조사했다.
• 그러나, basic sota best interative visualization techniques, web-based tools, platforms 에 대한 comprehensive study 를 없다고 결론냈다.
• 따라서, visualization 의 performance 를 향상시키기 위해, theoretical, analytical, statistical models and techniques 를 철저히 조사했다.
• current primary and domain specific future chanlleges 또한 리뷰 됐다.
• related future research directions and opportunies 또한 추천 됐다.

[uhhyunjoo]

Introduction

• Effective and interactive data visualization : 모든 formats 에 통틀어서 중요하다.
  • abstract (raw) data 를 physical (actionable) data 로 convert 한다.
  • ex. shape, color, position, length, height, width
  • persuasive stories 를 clear, logical, smart, plausible 한 방식으로 present 하기 위함이다.
• 이때, large numbers of data 는 analyzed promptly 된다. 이는 visualization 을 efficient 하고 interactive 하게 만들기 위함이다.
• data 의 rows and columns 는 청중들에게 설득적인 스토리를 어필하기에 부적절하다.
• visualization 을 draw 하는 aim : clear, smart, persuasive 한 방식으로, decision maker 가 결론을 빠르게 만들게 돕기 위함이다.
• 비전문적인 고객들이, 그래프와 차트를 만들고 이에 따라 중요한 결정을 만들게 하게 할 수도 있다.

[uhhyunjoo]

3) Decision Making in Visualization

• Data visualization 은 차트, 그래프, 맵 뿐만 아니라, insights 를 visualizae 하기 위해서도 쓰인다.
• large datasets 의 hidden info 를 다루기 위한 중요한 method 이다.
• 시각화는 연구자, 과학자, 산업가가 데이터를 이해하고, 예상되는 위험을 식별하여 가치 있는 결과를 통해 사전 예방적으로 완화하는 데 도움이 된다.
• Scope 3 은 빅데이터 분석, 데이터의 효과적인 데이터 표시, 데이터 시각화, 에 대한 decision making techniques 와 approaches 를 향상시키기 위한 top 연구자와 데이터 과학자의 여러 기술과 모델을 highlight 한다.
• [41] 은 visualization 의 new domain 에 대해 다뤘다. uncertainty and decision making for interactive visualization.
  • actual work : to interpret the datasets, to exploit the insight to assess effective decision making
  • visualization 의 uncertainty 를 limit 하는 것을 돕기도 했다.
• [42] 는 visualization 에서 decision making 을 support 하는 supporting tool 을 제안했고, interactive visualization for users 를 implement 했다.
  • domain experts 를 support 하기 위해, visualizaion 을 evaluate 하기 위한 Design guideline 도 개발됐다.
• [43] 은 quantitative tasks data 의 visualization 에 대해 automatic decision making 을 하기 위해 various methods 에 worked on 했다.
  • Automatic decision making 은 big data problems 에서 an evolvingi approach 이다. 그리고 quantitative data insights 를 monitor 하고 interpret 하는 걸 돕는다.
• [45] 는 interactive data and visualization 에 대한 a decision-making model 을 제안했다.
  • 해당 모델은, better data visualizaion 을 위해, interactive visualizaion 에 대한 meaningful insights 를 share 하고, maximum features 에 대해 work on 하는 걸 support 할 수 있다.

[uhhyunjoo]

7) Applications of Visualization

[uhhyunjoo]

[uhhyunjoo]

II. Preliminaries of data visualization

A. STATE-OF-THE-ART VISUALIZATION TECHNIQUES

우선, 본 논문에서는 data visualization techniques 를 7개의 그룹으로 나눴다.

• data distribution
• data correlation
• data ranking
• data evolution
• data maps
• data flow

[uhhyunjoo]

III. EFFECTIVE TECHNIQUES FOR ENHANCING THE PERFORMANCE OF DATA VISUALIZATION

A. APPROXIMATE VISUAL ANALYTICS

• hight dimensional info 에 대한 visual study 와 analysis 는 challenging 한 task 이다.
• Direct visual analysis : scatterplot 이나 parallel coordiante 과 같은 few metrics 에서 works well gㅏㄴ다.
• 그러나, high dimensional dataset 에 대해서는 not effective 하다.
• Indirect visual analysis : high dimensionality challenges 에 대해 work and provide better performance 가능 하다.
• Aggregation queries : also crucial class for the sequence of columns values
• The main issues : to manage selective arbitary predicates, to offer through error guarantees without keeping the huge samples size.
• [97] : the effective way to provide speedy answers to aggregation queries, [96] 은 measured biased sampling scheme 를 제안했다.
  • 또한 a solution for random samples aggregation 에 또한 제안했다.
• [98] : to inspect the approximation level 과 analysis of high dimensional data for visualization 를 위해, interactive visual system 이 개발됐다.
  • they investiated the interactive visual modification within high dimensional data, without compromising the visual quality and analysis.
  • 그들의 interactive visual system 이 실세계 문제에서 유익하고, high dimensional info 의 analysis 에 대해 very supportive 함을 강조했다.
• [99] 는 visual minterativity 와 data volumns 를 link 하기 위한 challenge 에 worked on 했다.
  • approximate query processing 을 위해 sample-based model 을 조사했다.
  • interactive visualization 을 위한 approximate solution 을 build 하기 위해 explored 됐던 거였다.
  • 해당 모델에서, 알고리즘은 the correctness and approximate answers of query approximation automatically 를 obsert 하기 위해 employ on linaer and non-linear functions 를 사용했다.
• [100]

[uhhyunjoo]

B. RECOMMENDATION VISUAL ANALYSIS

• 이러한 추천 시스템의 목적 : 데이터의 숨겨진 의미와 값을 자동적으로 들춰내는 것이다.

• effective and interactive 한 (이하 좋은) 차트, 그래프, 맵을 추천하는 다양한 알고맂므들은 제안되어 왔다.

• statistical 한 techniques 를 사용해서, error 와 그에 대한 solution 을 강조하는 추천 알고리즘들 또한 제안되어 왔다.

• [102] : 경험적/이론적 데이터시각화를 위한 visual 알고리즘을 비교하는 프레임워크 제안

  • 좋은 시각화를 위한 추천을 만드는, central connecting system 에 대해 작동하는 프레임워크다.
  • 좋은 시각화를 위한 best space 를 리스트업하고 랭크를 메긴다. comparing and approximating 을 함으로써.
  • 세 가지 구성요소가 있다
    • 1. 효과적인 시각화를 위한 네트워크
    • 2. 추천 시스템을 위한 알고리즘
    • 3. 리스트업될 시각화에 대한 랭킹과 approximation 을 위한 prediction,

• [103] : 데이터시각화를 위한 rule-based 추천 시스템

  • 해당 논문에서, 저자들은 knowledge-based rule 을 만들었다. 좋은 데이터 시각화를 위해.
  • 제안된 추천 시스템은 유저 피드백, 의도된 태스크 와 같은 특성을 사용한다.
  • 아래와 같은 컨트리뷰션
    • 1. Visual analysis 를 위한 data classification taxonomy
    • 2. mapping visual structures 를 위한 Taxonomy
    • 3. knowledge-based rule 을 위한 Draft rules

• [104] : Tabular data 에 대한 visual analysis 를 위한 recommender system 을 제안함.

  • 해당 시스템은 bar charts, line, pie, networks 등에 대한 좋은 시각화를 predict 할 수 있다.
  • 제안된 시스템은 intent features 와 data columns 를 시각화 하기 위해, statistical 알고리즘을 사용한다.
  • 저자들은 또한 header를 사용하여 대상 시각화의 중요한 부분을 따라 필수 그래프 col을 찾고 분류하는 데 사용되는 모델을 제안했다.
  • col 과 타겟 데이터에 대해 더 좋은 시각화를 성취하기 위해 neural 알고리즘을 모델에 사용헀다.

• [105] : personalized visual recommendation 에 대한 issue 에 집중했고, best solution 을 제공하기 윟나 a learning frame work 를 제안했다.

• 좋은 시각화를 위한 개인 유저의 visual interaciton 에 집중

• 사용자의 경험에 따라 연관된 시각화를 학습할 수 있다. 시각화가 데이터를 토대로 만들어짐에도 불구하고.

• [106] : automatic visual an infographic recommentaion 에 대한 survey articel

  • This article reviewed automatic recommendation systems and classfied the visual system into the following visualizations categories such as annotation, graph, network, graph-network and storytelling.
  • The current challenges and their future direction are also reviewed.