Visualisation à l'aide d'HyperTools pour représenter le contenu des articles de Wikipédia. Chaque point représente un seul article Wikipédia (à partir d'un ensemble de 3, 000 articles choisis au hasard). La position des points reflète le sujet des articles (les points à proximité portent sur des sujets similaires), et les couleurs des points reflètent les « groupes » d'articles automatiquement découverts qui traitent de thèmes similaires. Crédit :Image statique par Contextual Dynamics Laboratory, Collège de Dartmouth
Chaque ensemble de données dans l'univers observable a une géométrie ou une forme fondamentale, mais cette structure peut être très compliquée. Pour faciliter la visualisation d'ensembles de données complexes, une équipe de recherche de Dartmouth a créé HyperTools, un progiciel open source qui exploite une suite de techniques mathématiques pour obtenir des intuitions sur les ensembles de données de grande dimension à travers les structures géométriques sous-jacentes qu'ils reflètent. Les résultats sont publiés dans le Journal de recherche en apprentissage automatique .
Les HyperTools peuvent être utilisés pour transformer des données en formes ou animations visualisables, qui peut être utilisé pour :comparer différents jeux de données, obtenir des informations sur les modèles sous-jacents de manière intuitive, faire des généralisations entre les ensembles de données, et développer et tester des théories relatives au Big Data.
« Les ensembles de données auxquels nous sommes confrontés en tant que scientifiques modernes peuvent être extrêmement complexes, reflétant souvent de nombreux composants en interaction, " explique l'auteur principal, Jeremy R. Manning, professeur adjoint de sciences psychologiques et cérébrales et directeur du Contextual Dynamics Lab à Dartmouth. "Notre outil transforme des données complexes en formes 3D intuitives qui peuvent être examinées et comparées visuellement. Essentiellement, nous tirons parti de l'incroyable capacité du système visuel à trouver des modèles dans le monde qui nous entoure pour également trouver des modèles dans des données scientifiques complexes."
Les chercheurs démontrent comment les HyperTools peuvent être appliqués à divers types de données. Dans le journal, ils présentent des visualisations de :l'activité cérébrale, les images de film et les réponses du cerveau à l'observation de ces images ; changements dans les mesures de température à la surface de la Terre de 1875 à 2013 ; et le contenu thématique des tweets politiques émis par Hillary Clinton et Donald Trump lors de la campagne présidentielle américaine de 2016.
HyperTools a généré une visualisation des changements de température à la surface de la Terre de 1875 à 2013. La visualisation met en évidence la nature cyclique (saisonnière) des températures mondiales qui se produit parallèlement à une augmentation progressive des températures mondiales au fil du temps. L'image fait partie de celles incluses dans la figure 1 de l'article de revue. Crédit :Image statique par Contextual Dynamics Laboratory, Collège de Dartmouth.
En plus d'utiliser les HyperTools pour comprendre directement la structure géométrique des données, les informations révélées par l'outil peuvent également être utilisées pour guider le développement d'algorithmes d'apprentissage automatique. Par exemple, les visualisations de données peuvent révéler comment différents types d'observations forment des groupes distincts structurés (par exemple, les tweets de Trump contre les tweets de Clinton) qui pourraient être utilisés pour comprendre les similitudes et les différences entre les groupes.
Dans le cadre de la boîte à outils HyperTools, Le laboratoire de Manning continue de développer et de publier d'autres types d'analyses de visualisation géométrique, y compris les analyses de texte récemment lancées.
Visualisation à l'aide d'HyperTools pour représenter le contenu d'articles de revues. Chaque point représente un article unique publié dans Neural Information Processing Systems (NIPS). La position des points reflète le sujet des articles (les points à proximité portent sur des sujets similaires), et les couleurs des points reflètent les « groupes » d'articles automatiquement découverts qui traitent de thèmes similaires. Crédit :Laboratoire de dynamique contextuelle, Collège de Dartmouth.
Animation 3D d'une visualisation à l'aide d'HyperTools pour représenter le contenu d'articles Wikipédia. Crédit :Laboratoire de dynamique contextuelle, Collège de Dartmouth
