Visuelle Analyse Heterogener Daten mit Semantischen Subsets

Die Analyse sehr großer und heterogener Datensätze ist ein fundamentales Problem dem Forscher in vielen wissenschaftlichen Domänen gegenüberstehen. In Bereichen wie zum Beispiel Astronomie, Physik und Biologie müssen Datensätze von nie dagewesener Größe und Komplexität untersucht werden. Obwohl die Analyse solcher Datensätze herausfordernd ist, haben sie auch das Potential unser Wissen über die zugrundeliegenden Prozesse zu revolutionieren. Um jedoch dieses Potential nutzen zu können bedarf es neuartiger Ansätze in allen Bereichen der Datenanalyse. In diesem Antrag für ein Erwin Schrödinger Stipendium führe ich Semantic Subsets als neue Technik für die visuelle Analyse von mehreren großen und heterogenen Datensätzen ein. Ich schlage vor, unter anderem durch den Einsatz von maschinellem Lernen und Statistik, Datensätze zunächst in sinnvolle Teilmengen zu zerlegen, um danach Visualisierungsmethoden zu nutzen um Experten bei der Auswahl der für die Aufgabe relevanter Subsets zu unterstützen. Diese Subsets, sowie die Beziehungen zwischen den Subsets werden dann visualisiert, was eine offene, explorative Analyse ermöglicht. Die zentralen Forschungsfragen die in diesem Antrag behandelt werden beschäftigen sich mit Methoden um effizient und effektiv passende Subsets zu finden, sie zu verwalten und die Beziehungen zwischen ihnen darzustellen. Ich behaupte, dass dieser Ansatz geeignet ist die Herausforderungen, welche die Analyse mehrerer großer Datensätze mit sich bringt, zu adressieren, da der Ansatz einerseits gut skaliert und andererseits auf natürliche Art mehrere Datensätze integriert. Ich plane Prototypen, die das Semantic Subsets Konzept umsetzen, für die Analyse biomolekularer Daten im Zuge von Design Studien zu entwickeln. Diese Prototypen werden aus einem benutzerzentrierten Entwicklungsprozess heraus entstehen, was enge Zusammenarbeit mit Fachexperten notwendig macht. Die Anwendungen werden auf die Datenanalyseprobleme der Experten zugeschnitten sein und sie im wissenschaftlichen Erkenntnisprozess unterstützen. Die formale Evaluierung der Anwendbarkeit der Methode wird mithilfe von Fallstudien, die auf langfristigen Beobachtungen der entwickelten Applikationen basieren, vorgenommen. Außerdem werden kontrollierte Benutzerstudien durchgeführt. Ich plane, diese Forschung in der Visual Computing Group an der Harvard University, welche von Professor Hanspeter Pfister geleitet wird, durchzuführen. Professor Pfister und seine Arbeitsgruppe haben weitreichende Erfahrung mit der Entwicklung von Visualisierungsmethoden für die molekulare Biologie. Zusätzlich bietet Boston und Umgebung Zugang zu zahlreichen hochkarätigen Forschungseinrichtungen im Bereich der molekularen Biologie, wie zum Beispiel der Harvard Medical School und dem Broad Institute of MIT and Harvard, zu welchen Professor Pfister und ich Beziehungen pflegen. Diese Umgebung ist daher besonders geeignet für die vorgeschlagene Art der Forschung. Im Zuge der geplanten Rückkehrphase am Institut für Maschinelles Sehen und Darstellen an der Technischen Universität Graz werde ich nicht nur die Möglichkeit haben mein gewonnenes Wissen meinen Kollegen und Studenten weiterzugeben, sondern auch Professor Schmalstieg dabei unterstützen können seine Forschungsgruppe im Bereich der Visualisierung auszubauen, um damit den Forschungsschwerpunkt Visualisierung in Österreich zu stärken.

In diesem Projekt untersuchten wir wie das Semantic Subsets Konzept auf große und komplexe Daten angewandt werden kann. Semantic Subsets sind eine Methode die kleinere Teilmengen eines größeren Datensatzes visualisiert, anstatt eine globale Übersicht über alle Daten zu bieten. Der Vorteil dieses Ansatzes ist, dass er auch für große und komplexe Datensätze anwendbar ist. Die Herausforderung ist die initiale Identifizierung von interessanten Teilmengen und die Auswahl von relevanten Teilmengen in deren Kontext. Um diesen Herausforderungen zu begegnen, entwickelten wir Methoden die Benutzer auf eine intelligente Führung durch den Datensatz schicken. Methoden zur Identifizierung interessanter Subsets. Wir entwickelten zwei Techniken um Subsets zu definieren und zu reihen. Zunächst entwarfen wir eine Methode um Ranglisten aus multivariate Datensätzen abzuleiten. Reihungen sind ein Ansatz um komplexe Entitäten nach Wichtigkeit zu sortieren. Die komplexe Natur der Entitäten macht es jedoch unmöglich eine generelle und objektive Reihungsfunktion zu entwickeln. Unser Ansatz basiert daher auf dynamischen Eingaben der Benutzer um die Gewichte einzelner Attribute festzulegen. Eine weitere Technik beschäftigt sich mit dem definieren von Subsets basieren auf Setattributen. Komplexe Attributkombinationen können dabei verwendet werden um einen Datensatz beliebig zu zerschneiden. Methoden zur Visualisierung und Exploration von Subsets. Im Zuge des Projekts haben wir verschiedene Techniken zur gemeinsamen Visualisierung multipler Subsets entwickelt. Wir unterscheiden Techniken für zwei fundamentalen Datentypen: Tabellen und Graphen. Für Tabellen entwickelten wir Methoden die Nutzer Subsets dynamisch auswählen und auf dem Bildschirm platzieren lassen. Zusätzlich können Nutzer passende Visualisierungstechniken dynamisch definieren und die Visualisierung der Beziehung zwischen Subsets beeinflussen. Wir führten eine formale Klassifizierung von Beziehungen zwischen Subsets ein die auf inhärenten Beziehungen zwischen Subsets und einer gewünschten Stärke der Beziehung basiert. Eine Realisierung dieses Konzepts wird zum Beispiel nun in der Analyse von Krebssubtypen angewandt. Fuer Graphen entwickelten wir Methoden die einen Focus+Context Ansatz verfolgen. Ein Subset des Graphen ist im Fokus und das System sucht automatisch andere relevante Subsets. Weiters werden für ausgewählte Pfade in den Graphen multivariate Daten angezeigt. Diese Techniken werden nun, zum Beispiel, in der Analyse von Zelllinien eingesetzt um zu verstehen warum bestimmte Zelllinien auf ein Medikament reagieren und andere nicht.