Radar mondial UDTR

UDTR — Radar mondial des droits de la Nature

Registre documentaire des références détectées à travers les infrastructures académiques, juridiques et institutionnelles surveillées par UDTR.

Une infrastructure documentaire mondiale conçue pour atteindre la couverture la plus large, vérifiable et scientifiquement défendable des droits de la Nature.

← Retour au Radar

VizNet: Towards A Large-Scale Visualization Learning and Benchmarking Repository

Identification

Clé publique
radar:r-a4e178d104671ab7ab6afc1e2e50a057
Auteurs
Kevin Hu · Neil Gaikwad · Madelon Hulsebos · Michiel Bakker · Emanuel Zgraggen · César A. Hidalgo · Tim Kraska · Guoliang Li · Çağatay Demiralp · Arvind Satyanarayan
Année déclarée
—
Langue déclarée
en
Type source
COMM
Première détection
2026-11-13T08:39:02.333400+00:00
Dernière observation des métadonnées
2026-11-13T08:39:02.333400+00:00
Dernière vérification HTTP
Non effectuée

Institutions déclarées par la source

Communauté d'universités et établissements de Toulouse

Résumé documentaire — langue originale

Researchers currently rely on ad hoc datasets to train automated visualization tools and evaluate the effectiveness of visualization designs. These exemplars often lack the characteristics of real-world datasets, and their one-off nature makes it difficult to compare different techniques. In this paper, we present VizNet: a large-scale corpus of over 31 million datasets compiled from open data repositories and online visualization galleries. On average, these datasets comprise 17 records over 3 dimensions and across the corpus, we find 51% of the dimensions record categorical data, 44% quantitative, and only 5% temporal. VizNet provides the necessary common baseline for comparing visualization design techniques, and developing benchmark models and algorithms for automating visual analysis. To demonstrate VizNet's utility as a platform for conducting online crowdsourced experiments at scale, we replicate a prior study assessing the influence of user task and data distribution on visual encoding effectiveness, and extend it by considering an additional task: outlier detection. To contend with running such studies at scale, we demonstrate how a metric of perceptual effectiveness can be learned from experimental results, and show its predictive power across test datasets.

Identifiants

DOI
10.1145/3290605.3300892
HAL
hal-03159766

Repères documentaires

Famille documentaire
unknown
Types déclarés par les sources
COMM

Les mentions d’entités ne constituent pas une preuve de reconnaissance juridique. La juridiction étudiée est distincte du pays d’affiliation des auteurs.

Sources

HAL · Document 1

Citer cette référence

Kevin Hu; Neil Gaikwad; Madelon Hulsebos; Michiel Bakker; Emanuel Zgraggen; César A. Hidalgo; Tim Kraska; Guoliang Li; Çağatay Demiralp; Arvind Satyanarayan. VizNet: Towards A Large-Scale Visualization Learning and Benchmarking Repository. https://doi.org/10.1145/3290605.3300892

JSON · CSL-JSON · BibTeX · RIS · CSV · JSON-LD ·

APA, Chicago, ISO 690 : formats bibliographiques fondés sur les champs disponibles. OSCOLA / Bluebook : données structurées uniquement ; aucune conformité juridique complète n’est revendiquée sans vérification des éléments nécessaires.

APA
Kevin Hu; Neil Gaikwad; Madelon Hulsebos; Michiel Bakker; Emanuel Zgraggen; César A. Hidalgo; Tim Kraska; Guoliang Li; Çağatay Demiralp; Arvind Satyanarayan. VizNet: Towards A Large-Scale Visualization Learning and Benchmarking Repository. https://doi.org/10.1145/3290605.3300892
Chicago
Kevin Hu; Neil Gaikwad; Madelon Hulsebos; Michiel Bakker; Emanuel Zgraggen; César A. Hidalgo; Tim Kraska; Guoliang Li; Çağatay Demiralp; Arvind Satyanarayan. VizNet: Towards A Large-Scale Visualization Learning and Benchmarking Repository. https://doi.org/10.1145/3290605.3300892
ISO 690
Kevin Hu; Neil Gaikwad; Madelon Hulsebos; Michiel Bakker; Emanuel Zgraggen; César A. Hidalgo; Tim Kraska; Guoliang Li; Çağatay Demiralp; Arvind Satyanarayan. VizNet: Towards A Large-Scale Visualization Learning and Benchmarking Repository. https://doi.org/10.1145/3290605.3300892

Warning: Undefined array key "last_link_verified" in /home/clients/e27d81e12f04d2bfd747aa264540ac56/sites/_UDTR_APP/legal_library_reference.php on line 31

UDTR — Bibliothèque juridique mondiale des droits de la Nature. VizNet: Towards A Large-Scale Visualization Learning and Benchmarking Repository. Notice documentaire: https://www.declarationuniverselledesdroitsdelarbre.org/global-rights-of-nature-radar/reference/r-a4e178d104671ab7ab6afc1e2e50a057/ · Dernière vérification HTTP : non effectuée

Signaler une correction

Données de cette version figée

Dossiers et relations documentaires

Rôles des sources

Source bibliographique / publication d’origine · https://hal.science/hal-03159766v1

Un lien vers une autorité ne prouve pas à lui seul une affirmation juridique. Les résumés et les textes intégraux restent soumis aux conditions de leur source.

Statut documentaire

Pertinence à examiner

Bibliothèque

Cette identité n’est pas encore intégrée à la Bibliothèque juridique.

UDTR — Bibliothèque juridique mondiale des droits de la Nature