h1

000958959 001__ 958959
000958959 005__ 20251006155413.0
000958959 0247_ $$2HBZ$$aHT030067216
000958959 0247_ $$2Laufende Nummer$$a42396
000958959 0247_ $$2datacite_doi$$a10.18154/RWTH-2023-05502
000958959 037__ $$aRWTH-2023-05502
000958959 041__ $$aEnglish
000958959 082__ $$a004
000958959 1001_ $$0P:(DE-82)IDM05127$$aChakrabarti, Arnab$$b0$$urwth
000958959 245__ $$aExploratory pipeline for analysis and visualization of large information spaces$$cvorgelegt von M.Sc. Arnab Chakrabarti$$honline
000958959 260__ $$aAachen$$bRWTH Aachen University$$c2023
000958959 300__ $$a1 Online-Ressource : Illustrationen, Diagramme
000958959 3367_ $$02$$2EndNote$$aThesis
000958959 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000958959 3367_ $$2BibTeX$$aPHDTHESIS
000958959 3367_ $$2DRIVER$$adoctoralThesis
000958959 3367_ $$2DataCite$$aOutput Types/Dissertation
000958959 3367_ $$2ORCID$$aDISSERTATION
000958959 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University
000958959 502__ $$aDissertation, RWTH Aachen University, 2023$$bDissertation$$cRWTH Aachen University$$d2023$$gFak01$$o2023-03-13
000958959 5203_ $$aDas Aufkommen der vierten industriellen Revolution (Industrie 4.0) hat die Fähigkeit der heutigen wissenschaftlichen und kommerziellen Anwendungen zur Erzeugung, Speicherung und Verarbeitung riesiger Datenmengen vorangetrieben. Die visuelle Exploration von sehr großen Datensätzen mit vielen Attributen führt zu großen Diagrammen und visueller Unübersichtlichkeit, was zu einem Verlust der Interpretierbarkeit führt. Dieses Problem wird im Bereich der hochdimensionalen Datenexploration als “visuelles Rauschen” bezeichnet. In dieser Arbeit geht es um die Reduktion des visuellen Rauschens und die Verbesserung der Interpretierbarkeit von Daten, um interessante Muster in hochdimensionalen Datensätzen zu finden. Diese Aufgabe wird durch den sogenannten “Fluch der Dimensionalität” erschwert, der die visuelle Exploration behindert, da eine hohe Anzahl von Datendimensionen auf einem zweidimensionalen Bildschirm dargestellt werden muss. In dieser Arbeit stellen wir eine umfassende und flexible Datenexplorationspipeline für den Umgang mit hochdimensionalen Daten vor, um solche Herausforderungen zu entschärfen. Wir haben die vorgeschlagene Pipeline in den Prototyp “VizExplore” integriert, der als automatisiertes Explorationswerkzeug für die Überwachung von Prozessen in der Produktionstechnik dient. Für die verschiedenen Stufen der Pipeline schlagen wir zunächst Methoden zur Dimensionalitätsreduktion vor, um effektive Visualisierungen zu erzeugen. Damit adressieren wir das offene Forschungsproblem, eine optimale Lösung zur Maximierung der Datenreduktion bei gleichzeitiger Minimierung des Informationsverlustes zu finden. Zweitens schlagen wir ein Visualisierungs-Ranking-Modell vor. Wir entwickeln neuartige Methoden zur Extraktion visueller Merkmale aus Bildern und entwerfen einen generischen Bewertungsrahmen, der den Vergleich verschiedener visueller Strukturen auf einer einheitlichen Plattform ermöglicht. Schließlich nehmen wir das Wissen aus den ersten beiden Ebenen auf und schlagen ein Empfehlungssystem für Visualisierungen vor, das daten-spezifische Merkmale und die vom Benutzer beabsichtigten Explorationsaufgaben berücksichtigt. Wir entwerfen Empfehlungssysteme, die sowohl regelbasierte als auch wissensbasierte Ansätze verwenden, und zeigen die Wirksamkeit solcher Empfehlungssysteme bei der Verbesserung der Funktionalitäten des Explorationsprozesses auf, insbesondere im Bereich der hochdimensionalen Datenvisualisierung. Wir haben unser Explorationswerkzeug in verschiedenen Umgebungen evaluiert, darunter auch Daten, die aus Produktionsprozessen im Internet of Production (IoP) stammen. In dieser Arbeit zeigen wir die Anwendbarkeit unseres Modells im IoP für den Umgang mit hochdimensionalen Daten und die Generierung effektiver Visualisierungsempfehlungen, was wiederum die Entscheidungsfähigkeit für Produktionssysteme verbessert.$$lger
000958959 520__ $$aThe advent of the fourth industrial revolution (Industry 4.0) has fueled the capability of today’s scientific and commercial applications in generating, storing and processing massive amounts of data. Visual exploration of datasets having excessive data points and features leads to over-plotting and visual clutter, resulting in the loss of interpretability. This problem has been termed as “visual noise” in the field of high-dimensional data exploration. Our work in this thesis centers around the question of reducing visual noise and improving data interpretability in the quest of finding interesting patterns within high-dimensional datasets. This task is highly challenged by the so-called “curse of dimensionality”, which hinders visual exploration as a high number of data dimensions are required to be displayed on two-dimensional screen space. To mitigate such challenges, we present a comprehensive and flexible data exploration pipeline for handling high-dimensional data. We incorporated the proposed pipeline into the prototype “VizExplore”, which serves as an automated exploratory tool for monitoring production engineering processes. For the different stages of the pipeline, firstly, we propose dimensionality reduction methods for generating effective visualizations. With this, we address the open research problem of performing data reduction with the goal of minimizing information loss. Second, we propose a visualization ranking model. We develop novel methods of extracting visual characteristics from images and design a generic evaluation framework capable of comparing diverse visual structures in a uniform platform. Finally, we ingest the knowledge gathered from the first two layers and propose a visualization recommendation system using data-specific characteristics and user intended exploration tasks. We design recommendation engines using both rule-based and knowledge-based approaches and highlight the effectiveness of such recommenders in enhancing the functionalities of the exploratory process, especially in the field of high-dimensional data visualizations. We evaluated our exploratory tool in various settings, including data generated from engineering processes in the Internet of Production (IoP). We highlight the usability of our model in the IoP for handling high dimensional data and generating effective visualization recommendations, in turn, enhancing the decision-making capabilities for production systems.$$leng
000958959 588__ $$aDataset connected to Lobid/HBZ
000958959 591__ $$aGermany
000958959 7001_ $$0P:(DE-82)IDM00071$$aJarke, Matthias$$b1$$eThesis advisor$$urwth
000958959 7001_ $$0P:(DE-82)IDM01048$$aQuix, Christoph$$b2$$eThesis advisor$$urwth
000958959 7001_ $$0P:(DE-82)000876$$aLakemeyer, Gerhard$$b3$$eThesis advisor$$urwth
000958959 8564_ $$uhttps://publications.rwth-aachen.de/record/958959/files/958959.pdf$$yOpenAccess
000958959 8564_ $$uhttps://publications.rwth-aachen.de/record/958959/files/958959_source.zip$$yRestricted
000958959 909CO $$ooai:publications.rwth-aachen.de:958959$$popenaire$$popen_access$$pVDB$$pdriver$$pdnbdelivery
000958959 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM05127$$aRWTH Aachen$$b0$$kRWTH
000958959 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00071$$aRWTH Aachen$$b1$$kRWTH
000958959 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM01048$$aRWTH Aachen$$b2$$kRWTH
000958959 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)000876$$aRWTH Aachen$$b3$$kRWTH
000958959 9141_ $$y2023
000958959 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000958959 9201_ $$0I:(DE-82)121810_20140620$$k121810$$lLehrstuhl für Informatik 5 (Informationssysteme und Datenbanken)$$x0
000958959 9201_ $$0I:(DE-82)120000_20140620$$k120000$$lFachgruppe Informatik$$x1
000958959 961__ $$c2023-08-07T08:55:22.929753$$x2023-05-31T07:43:54.244059$$z2023-08-07T08:55:22.929753
000958959 9801_ $$aFullTexts
000958959 980__ $$aI:(DE-82)120000_20140620
000958959 980__ $$aI:(DE-82)121810_20140620
000958959 980__ $$aUNRESTRICTED
000958959 980__ $$aVDB
000958959 980__ $$aphd