多元时间序列数据的交互式可视化中的异常检测：建模人类准确性和置信度

在可视化数据中的人机协同异常检测仍然是关键领域，分析师通过视觉检查多元时间序列来发现变量间关系的变化（如相关性变化或模型拟合变化），这需要领域专业知识与自动化分析相辅相成。然而，支持或可能影响这一任务的感知和认知机制尚未得到充分理解，这限制了智能可视化接口的设计。我们进行了212名参与者在线实验，检查折线图可视化以检测因因变量生成机制变化而产生的异常。我们使用数据相关指标（信息论复杂度、相关性和互信息相似性，以及探索性心理物理「最小可觉差」指标）和用户相关特征（认知风格和主观数感）的组合对检测准确性和自我报告的置信度进行建模。结果显示，图表复杂度和相似性对异常检测有强烈影响，而个体差异进一步调节了准确性和置信度。这些预测模型为理解视觉分析的感知和认知过程提供了洞察，为开发支持动态过程决策的适应性、用户感知接口指明了方向。