During exploratory visual analysis (EVA), analysts need to continually determine which subsequent activities to perform, such as which data variables to explore or how to present data variables visually. Due to the vast combinations of data variables and visual encodings that are possible, it is often challenging to make such decisions. Further, while performing local explorations, analysts often fail to attend to the holistic picture that is emerging from their analysis, leading them to improperly steer their EVA. These issues become even more impactful in the real world analysis scenarios where EVA occurs in multiple asynchronous sessions that could be completed by one or more analysts. To address these challenges, this work proposes ChartSeer, a system that uses machine intelligence to enable analysts to visually monitor the current state of an EVA and effectively identify future activities to perform. ChartSeer utilizes deep learning techniques to characterize analyst-created data charts to generate visual summaries and recommend appropriate charts for further exploration based on user interactions. A case study was first conducted to demonstrate the usage of ChartSeer in practice, followed by a controlled study to compare ChartSeer’s performance with a baseline during EVA tasks. The results demonstrated that ChartSeer enables analysts to adequately understand current EVA status and advance their analysis by creating charts with increased coverage and visual encoding diversity.

中文翻译：

---

ChartSeer：使用机器智能进行交互式转向探索性视觉分析

在探索性可视化分析 (EVA) 期间，分析师需要不断确定要执行哪些后续活动，例如要探索哪些数据变量或如何直观地呈现数据变量。由于可能的数据变量和视觉编码的大量组合，做出这样的决定通常具有挑战性。此外，在进行本地勘探时，分析师通常无法关注分析中出现的整体情况，从而导致他们不正确地引导他们的 EVA。这些问题在现实世界的分析场景中变得更加有影响力，其中 EVA 发生在可由一名或多名分析师完成的多个异步会话中。为了应对这些挑战，这项工作提出了 ChartSeer，一种使用机器智能使分析师能够直观地监控 EVA 的当前状态并有效识别未来要执行的活动的系统。ChartSeer 利用深度学习技术来描述分析师创建的数据图表，以生成可视化摘要，并根据用户交互推荐适当的图表以供进一步探索。首先进行了一个案例研究来演示 ChartSeer 在实践中的使用，然后进行了一项对照研究，将 ChartSeer 的性能与 EVA 任务期间的基线进行比较。结果表明，ChartSeer 使分析师能够充分了解当前的 EVA 状态，并通过创建具有更大覆盖范围和视觉编码多样性的图表来推进他们的分析。ChartSeer 利用深度学习技术来描述分析师创建的数据图表，以生成可视化摘要，并根据用户交互推荐适当的图表以供进一步探索。首先进行了一个案例研究来演示 ChartSeer 在实践中的使用，然后进行了一项对照研究，将 ChartSeer 的性能与 EVA 任务期间的基线进行比较。结果表明，ChartSeer 使分析师能够充分了解当前的 EVA 状态，并通过创建具有更大覆盖范围和视觉编码多样性的图表来推进他们的分析。ChartSeer 利用深度学习技术来描述分析师创建的数据图表，以生成可视化摘要，并根据用户交互推荐适当的图表以供进一步探索。首先进行了一个案例研究来演示 ChartSeer 在实践中的使用，然后进行了一项对照研究，将 ChartSeer 的性能与 EVA 任务期间的基线进行比较。结果表明，ChartSeer 使分析师能够充分了解当前的 EVA 状态，并通过创建具有更大覆盖范围和视觉编码多样性的图表来推进他们的分析。随后进行了一项对照研究，将 ChartSeer 的性能与 EVA 任务期间的基线进行比较。结果表明，ChartSeer 使分析师能够充分了解当前的 EVA 状态，并通过创建具有更大覆盖范围和视觉编码多样性的图表来推进他们的分析。随后进行了一项对照研究，将 ChartSeer 的性能与 EVA 任务期间的基线进行比较。结果表明，ChartSeer 使分析师能够充分了解当前的 EVA 状态，并通过创建具有更大覆盖范围和视觉编码多样性的图表来推进他们的分析。