23.11.2020, 15:00 Uhr
Durchführung per Videokonferenz
(Corona-Situation)

Titel:„Interpreting and Imitating Human Perception in Dimensionality Reduction via Surrogate Models“

Kurzfassung:
Dimensionalitätsreduktion wird im akademischen sowie im industriellen Umfeld häufig verwendet, um niedrigdimensionale Projektionen hochdimensionaler Daten - sogenannte Embeddings - zu erstellen. Deren Visualisierung kann jedoch schwer zu interpretieren und eventuell irreführend sein, besonders ohne eine klar definierte Grundwahrheit. Die von Benutzern gezogenen Schlüsse über Muster in den zugrunde liegenden Daten können stark darauf beruhen, wie die korrespondierende Visualisierung wahrgenommen wird. Eine Untersuchung dessen, wie dieser perzeptionelle Prozess abläuft und wie akkurat er ist, ist daher wichtig. Die vorliegende Masterarbeit widmet sich dieser Frage. Wir stellen eine Applikation für die Interpretation, das Verständnis und die Bewertung solcher niedrigdimensionaler Embeddings vor. Diese erhielt in einer Benutzerstudie überwiegend positive Rückmeldungen und wurde von uns eingesetzt, um Bewertungen der wahrgenommenen Qualität von Embeddings zu sammeln. Wir analysieren den Grad der Korrelation zwischen wahrgenommener und objektiver Embeddingqualität. Wir zeigen, dass erstere nicht ausschließlich durch zweitere erklärt wird und dass die verbleibende Lücke durch die Einbeziehung visueller Qualitätskriterien für Cluster- und Klassen-Separabilität reduziert werden kann. Der Einfluss dieser Kriterien auf die wahrgenommene Embeddingqualität wird untersucht. Unser Ansatz setzt nicht den überwachten Fall voraus und kann mit Embeddings von Entitäten ohne Klassenzuordnung umgehen. Abschließend diskutieren wir sowohl Einschränkungen und Vorteile unserer Applikation und Analyse als auch Implikationen unserer Ergebnisse, mögliche Anwendungsfälle und zukünftige Verbesserungen.