InsigHTable: Insight-driven Hierarchical Table Visualization with Reinforcement Learning

将视觉表现嵌入原始分层表格可以减轻用户分散注意力所带来的额外认知负荷。创建的分层表格可视化可以帮助用户理解和探索具有多级属性的复杂数据。然而，由于有许多选项可用于转换分层表格并选择子集进行嵌入，分层表格可视化的设计空间变得广阔，构建过程变得繁琐，阻碍了用户高效构建具有许多数据见解的分层表格可视化。我们提出了InsigHTable，这是一个混合启发式和见解驱动的分层表格转换和可视化系统。我们首先定义了分层表格中的数据见解，考虑了表头的分层结构。由于分层表格可视化构建是一个顺序决策过程，InsigHTable集成了一个深度强化学习框架，包括一个辅助奖励机制。该机制解决了构建分层表格可视化中稀疏奖励的挑战。在深度强化学习框架内，代理不断优化其决策过程，通过与分析师合作创建分层表格可视化以揭示更多的见解。我们通过两个案例研究和一组实验展示了InsigHTable的可用性和有效性。结果验证了深度强化学习框架的有效性，并表明InsigHTable可以帮助用户构建分层表格可视化并理解底层数据见解。

InsigHTable旨在解决构建复杂的分层表格可视化所需的决策数量大、过程繁琐、奖励稀疏等问题，以便用户可以更有效地构建分层表格可视化并理解底层数据见解。

论文提出了一种深度强化学习框架，结合辅助奖励机制，以协作分析师的方式不断优化决策过程，从而创建分层表格可视化并揭示更多见解。

论文定义了分层表格中的数据见解，提出了一种深度强化学习框架，使用两个案例研究和实验验证了InsigHTable的可用性和有效性。

在相关研究中，还有一些关于分层表格可视化的研究，如“TreeVersity”和“TreeTable”，以及一些关于深度强化学习在可视化中的应用的研究，如“DQNVAE”和“DeepEyes”。