Mapa del Espacio Latente para la Utilización Visual de Datos Generados.

Las muestras producidas por modelos generativos, llamadas Muestras Generadas (GSs), se han convertido en un complemento crítico para aquellas recopiladas del mundo real en aplicaciones centradas en datos. Los expertos en el dominio generalmente colectan muchas GSs al azar y seleccionan manualmente algunas de interés para las aplicaciones. Sin embargo, la metodología carece de orientación para localizar aquellas deseables que exhiben características específicas o se adhieren a métricas orientadas a la aplicación entre infinitos candidatos generables. Estas muestras generalmente se concentran en unas pocas regiones pequeñas del espacio latente del modelo generativo, llamado Espacio Latente Generativo (GLS). Este documento presenta el Mapa del Espacio Latente que proyecta un GLS sobre un plano para ayudar a los usuarios a localizar regiones ricas en GSs deseables. Nuestra investigación gira en torno a dos desafíos en la construcción del mapa. Primero, muchas GSs en un GLS son de baja calidad y inútiles para las aplicaciones. Excluirlas de la proyección es complicado debido a su distribución irregular. Empleamos un método basado en Monte Carlo para capturar una variedad para la proyección, donde las GSs de alta calidad están principalmente distribuidas. Segundo, el GLS es de alta dimensión y no tiene límites, lo que complica la proyección. Diseñamos un método de proyección de variedades que otorga al mapa características deseables para lograr una alta precisión de visualización y una percepción efectiva de patrones para los usuarios que observan libremente la variedad. Además, desarrollamos un sistema que integra el Mapa del Espacio Latente para ayudar en la selección y refinamiento de GS. Casos del mundo real, experimentos cuantitativos y retroalimentación de expertos en el dominio confirman la usabilidad y efectividad de nuestro enfoque.