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
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.